应用背景

红外小目标检测是红外搜索和跟着的关键技术之一，在海上监控系统，预警系统应用广泛，

解决难点

1. 红外小目标像素与整张图的像素比非常小。
2. 红外辐射的能量在距离上显著衰减，使物体看起来非常暗淡。因此红外小目标很容易淹没在背景杂波和传感器噪声中。
3. 小目标非常稀疏，导致了目标区域和背景区域之间的严重不平衡。

现有方法

传统方法

低秩稀疏的块图像红外小目标检测（IPI，Infrared Patch-Image Model for Small Target Detection in a Single Image，

link

）

深度学习的方法

1. 2019 ICCV Miss Detection vs. False Alarm: Adversarial Learning for Small Object Segmentation in Infrared Images


link


通过对抗生成网络平衡漏检率和虚警率。



G1减小漏检，G2减小虚警率


Adversarial loss

：




Generator consistency loss

：



对抗性损失迫使S1和S2接近S0。然而，S1和S2可以以各自的方式向S0移动。因此，他们的差异在训练后仍然很明显。这并不能有效地迫使他们在每个像素上竞争以达到平衡MD和足总。为了解决这个问题，增加了额外的内容一致性损失，以更紧密地绑定两个生成器(例如，增强它们之间的信息流)。


Data loss




L1或L2损失只说明像素级的差异，而忽略了MD或FA的度量。


Total loss

数据集

2.

评价指标

检测率和虚警率







N

p

N_p







N










p





​















为检测到的目标数量




N

r

N_r







N










r





​















为真是目标数量




N

f

N_f







N










f





​















为错误检测目标的数量




N

i

N_i







N










i





​















为检测序列图像的数量

如果检测结果同时满足两个要求，则认为检测结果是正确的:(i)检测结果与真实值具有重叠像素;(ii) 真实值中心与结果之间的像素距离在一个阈值(4像素)内。


F-measure


平衡检测率和虚警率

信杂比





信杂比增益





背景抑制系数







C

i

C_i







C










i





​















检测前图像的标准差




C

o

C_o







C










o





​















检测后结果图像的标准差

背景抑制系数来判定图像的难易程度。


ROC曲线