Infrared Small Target Detection with Scale and Location Sensitivity

题目：Infrared Small Target Detection with Scale and Location Sensitivity

具有尺度和位置敏感性的红外小目标检测

作者：付莹团队（北京理工大学）

期刊：CVPR2024

摘要：

近年来，红外小目标检测 （IRSTD） 由基于深度学习的方法主导。然而，这些方法主要集中在复杂模型结构的设计以提取判别性特征，而 IRSTD 的损失函数尚未得到充分探索。例如，广泛使用的 IoU 交集 （IoU） 和 Dice 损失对目标的尺度和位置缺乏敏感性，限制了探测器的检测性能。

在本文中，我们专注于通过更有效的损失但更简单的模型结构来提高检测性能。具体来说，我们首先提出了一种新的尺度和位置敏感 （SLS） 损失来处理现有损失的局限性： 1） 对于尺度敏感性，我们根据目标尺度计算 IoU 损失的权重，以帮助探测器区分不同尺度的目标； 2） 对于位置敏感性，我们引入了一个基于目标中心点的惩罚项，以帮助探测器更精确地定位目标。

然后，我们设计一个简单的 Multi-Scale Head to the plain UNet （MSHNet）。通过将 SLS 损失应用于预测的每个尺度，我们的 MSHNet 大大优于现有的 state-of-theart 方法。此外，使用我们的 SLS loss 进行训练时，现有检测器的检测性能可以进一步提高，证明了我们的 SLS loss 的有效性和通用性。该代码可在 GitHub - ying-fu/MSHNet: Implement of CVPR2024 'Infrared Small Target Detection with Scale and Location Sensitivity' 获取。

1.介绍

在本文中，我们专注于通过更有效的损失函数和更简单的模型结构来提高检测性能。

具体来说，我们首先提出了一种新的尺度和位置敏感 （Scale and Location Sensitive，SLS） 损失来处理现有损失的局限性。拟议的 SLS 损失的优点包括：（1） 尺度敏感性。我们根据目标的预测尺度和真实尺度计算 IoU 损失的权重。预测尺度和真实尺度之间的差距越大，检测器的关注就越多。（2） 位置敏感度。我们根据目标的预测中心点和真实中心点设计位置惩罚。与传统的 L1 和 L2 距离相比，设计的位置惩罚产生相同的值，但不同的位置误差更少，使探测器能够更精确地定位目标。

然后，我们将一个简单的多尺度头引入普通 U-Net （MSHNet），它为每个输入生成多尺度预测。通过利用不同规模的 SLS 损失，我们的 MSHNet 大大优于现有的最先进的 （SOTA） 方法。由于没有复杂的结构，我们的检测器在检测性能、浮点运算 （FLOPs） 和推理时间消耗之间实现了更好的平衡，如图 1 所示。此外，我们进一步用 SLS loss 训练不同的现有检测器，并实现更好的检测性能，证明了 SLS loss 的有效性和泛化性。

综上所述，我们的主要贡献是：

• 提出了一种用于红外小目标检测的新型尺度和位置敏感损失，帮助探测器区分不同尺度和位置的目标。

• 通过在普通 U-Net 中引入多尺度头，提出了一种简单但有效的检测器，它实现了没有花里胡哨的 SOTA 性能。

• 将损失应用于现有的检测器，并表明检测性能可以进一步提高，证明了损失的有效性和泛化性。

2.相关工作

在本节中，我们首先简要介绍 IRSTD 的现有方法。然后，我们从 IRSTD 的损失函数和模型结构的角度对相关工作进行了综述。</