基于U型多尺度Transformer网络的红外小目标检测算法

TN219; 针对红外小目标特征难以提取、易被噪声干扰及复杂背景淹没等问题,提出了一种基于U型多尺度Transformer网络的检测算法.该算法在U型多尺度网络架构下,借助卷积操作提取、强化小目标局部显著性特征,同时又基于Transformer机制对图像全局特征进行建模,以获取红外图像背景信息;通过对所生成目标置信图与特征图的自注意力运算,完成了对图像浅层和深层特征的融合,实现了对像素级红外小目标的分割及检测.实验证明,在红外序列图像弱小飞机目标检测跟踪数据集中,即使针对背景复杂且含噪的图像进行检测,所提算法性能仍然优于对比算法,呈现了良好的鲁棒性及稳定、准确的检测效果.在算法阈值选用使FM平...

Full description

Saved in:
Bibliographic Details
Published in西北工业大学学报 Vol. 43; no. 1; pp. 154 - 162
Main Authors 段沛沛, 张严, 雒明世, 闫效莺
Format Journal Article
LanguageChinese
Published 西安石油大学 计算机学院,陕西 西安 710065%陕西科技大学 电子信息与人工智能学院,陕西 西安 710021 01.02.2025
Subjects
self-attention mechanism
红外小目标检测
自注意力机制
deep learning
image segmentation
深度学习
图像分割
infrared small target detection
Online AccessGet full text
ISSN1000-2758
DOI10.1051/jnwpu/20254310154

Cover

More Information
Summary:TN219; 针对红外小目标特征难以提取、易被噪声干扰及复杂背景淹没等问题,提出了一种基于U型多尺度Transformer网络的检测算法.该算法在U型多尺度网络架构下,借助卷积操作提取、强化小目标局部显著性特征,同时又基于Transformer机制对图像全局特征进行建模,以获取红外图像背景信息;通过对所生成目标置信图与特征图的自注意力运算,完成了对图像浅层和深层特征的融合,实现了对像素级红外小目标的分割及检测.实验证明,在红外序列图像弱小飞机目标检测跟踪数据集中,即使针对背景复杂且含噪的图像进行检测,所提算法性能仍然优于对比算法,呈现了良好的鲁棒性及稳定、准确的检测效果.在算法阈值选用使FM平均值最大的情况下,其检测率为0.997 2,虚警率为2.82×10-7,精确率为0.912 7,而召回率则为0.921.
ISSN:1000-2758
DOI:10.1051/jnwpu/20254310154