红外小目标检测通常受制于较远的成像距离,使得提取目标特征成为了一种困难,如何增强目标的特征表达是近些年的主要方向之一。而过于复杂的特征表达会损失推理速度,这对于有实时性要求的红外小目标检测任务是不利的。通过使用重参数化...红外小目标检测通常受制于较远的成像距离,使得提取目标特征成为了一种困难,如何增强目标的特征表达是近些年的主要方向之一。而过于复杂的特征表达会损失推理速度,这对于有实时性要求的红外小目标检测任务是不利的。通过使用重参数化技术结合领域中常用的残差网络作为特征提取网络,再使用额外注意力与通道注意力作为特征增强模块与特征融合模块,在数据集上取得了较好的结果。提出的模型在SIRST与IRSTD-1K数据集上分别取得了0.734与0.638的mIoU值,同时参数量和计算复杂度只有0.306 M与1.114 G FLOPs。该模型能够在推理阶段保持较少参数的同时拥有和其他领先的方法相近甚至领先的性能,在串行运行的环境上有着明显的优势。展开更多
文摘红外小目标检测通常受制于较远的成像距离,使得提取目标特征成为了一种困难,如何增强目标的特征表达是近些年的主要方向之一。而过于复杂的特征表达会损失推理速度,这对于有实时性要求的红外小目标检测任务是不利的。通过使用重参数化技术结合领域中常用的残差网络作为特征提取网络,再使用额外注意力与通道注意力作为特征增强模块与特征融合模块,在数据集上取得了较好的结果。提出的模型在SIRST与IRSTD-1K数据集上分别取得了0.734与0.638的mIoU值,同时参数量和计算复杂度只有0.306 M与1.114 G FLOPs。该模型能够在推理阶段保持较少参数的同时拥有和其他领先的方法相近甚至领先的性能,在串行运行的环境上有着明显的优势。
