HRformer: Hierarchical Regression Transformer for Infrared Small-Target Detection
-
摘要: 红外小目标检测是指从低信噪比、复杂背景的红外图像中对小目标进行检测，在海上救援、交通管理等应用中具有重要实际意义。然而，由于图像分辨率低、目标尺寸小以及特征不突出等因素，导致红外目标很容易淹没在包含噪声和杂波的背景中，如何精确检测红外小目标的外形信息仍然是一个挑战。针对上述问题，构建了一种基于多级回归Transformer(HRformer)网络的红外小目标检测算法。具体来说，首先为了在获得多尺度信息的同时尽可能避免原始图像信息的损失，采用像素逆重组(PixelUnShuffle)操作对原始图像下采样来获取不同层级网络的输入，同时采用一种可学习的像素重组(PixelShuffle)操作对每一层级的输出特征图进行上采样，提升了网络的灵活性；接着，为实现网络中不同层级特征之间的信息交互，本文设计了一种包含空间注意力计算分支以及通道注意力计算分支在内的交叉注意力融合(cross attention fusion, CAF)模块实现特征高效融合以及信息互补；最后，为进一步提升网络的检测性能，结合普通Transformer结构具有较大感受野以及基于窗口的Transformer结构具有较少计算复杂度的优势，提出了一种局部-全局Transformer(LGT)结构，能够在提取局部上下文信息的同时对全局依赖关系进行建模，计算成本也得到节省。实验结果表明，与目前较为先进的一些红外小目标检测算法相比，本文所提出的算法具有更高的检测精度，同时具有较少的参数量，在解决实际问题中更有意义。
-
关键词:
- 红外图像 /
- 弱小目标检测 /
- Transformer /
- 图像分割
Abstract: Infrared small-target detection refers to the detection of small targets in infrared images with low signal-to-noise ratios and complex backgrounds. Infrared small-target detection is essential in applications, such as maritime rescue and traffic management. However, because of factors such as low image resolution, small target size, and inconspicuous features, infrared targets are prone to submergence in a background that contains noise and clutter. The accurate detection of the shape information of small infrared targets remains a challenge. An infrared small-target detection algorithm based on a hierarchical regression transformer (HRformer) network was constructed to address these problems. Specifically, the PixelUnShuffle operation was leveraged to downsample the original image and obtain the input of different network levels to obtain multiscale information while minimizing the loss of the original image information. The PixelShuffle operation upsamples the output feature map of each level, improving the flexibility of the network. Next, a cross-attention fusion module that includes the spatial and channel attention calculation branches realizes efficient feature fusion and information complementarity to realize the information interaction between different levels of features in the network. Finally, combined with the ordinary Transformer structure, which has a large receptive field, and the window-based Transformer, which has the advantage of minimal computational complexity, a local–global transformer structure is proposed to further improve the detection performance of the network and reduce computational costs. The proposed structure can model global dependencies while extracting local context information. The experimental results show that the proposed algorithm has a higher detection accuracy and fewer parameters than some advanced infrared small-target detection algorithms. Therefore, the proposed algorithm is suitable for solving practical problems.-
Keywords:
- infrared images /
- small target detection /
- transformer /
- image segmentation
-
0. 引言
近年来，随着红外制冷探测器朝尺寸小、重量轻、功耗低、成本低即低SWaP-C（size, weight and power, cost）方向快速发展，集成小型制冷机的该类中波红外探测器国外已大量应用于武器热瞄镜、便携式手持热像仪、小型无人机、无人车、遥控狙击手和遥控武器站、导弹导引头等空间受限的红外系统[1]。针对该类小型探测器设计一款仅由4片透镜组成的尺寸小、重量轻、成本低的中波红外连续变焦光学系统进而生产结构紧凑、低功耗和低成本的红外变焦热像仪将在手持观瞄具、边防监视系统、小型无人系统等平台得到广泛应用。
目前采用四片式的红外变焦光学多为双视场变焦系统。文献[2]为四片式非制冷双视场，文献[3]为四片制冷型长波双视场系统，文献[4]为4片制冷型中波双视场系统，目前仅采用4片透镜实现连续变焦的制冷型红外光学系统未见报道。
从变焦理论分析，一般常用的机械补偿变焦系统由典型的前固定组、变倍组、补偿组、后固定组4组透镜组成。变倍组一般是负透镜，而补偿组可以是正透镜组也可以是负透镜组，前者为正组补偿系统，后者称为负组补偿系统。从光学系统像差校正难易程度、减少透镜数量、降低光学透镜成本考虑，本文采用无后固定组正组补偿变焦系统，即变焦部分由会聚目标光线的前固定组正透镜、变倍负透镜、补偿正透镜构成。为压缩前固定组物镜口径并满足100%冷屏效率，系统采用二次成像方案，利用单片正光焦度透镜将一次像再次中继成像到探测器焦平面。为压缩轴向尺寸，采用二片平面反射镜将光路U型折转，最终实现仅由4片透镜构成的轻小型中波红外连续变焦光学系统。
1. 连续变焦理论计算模型
机械补偿连续变焦光学系统参数求解就是确定变焦系统在满足像面稳定和焦距在一定范围内连续变化的条件下系统中各组元的焦距、间隔、位移量等参数。通过建立数学模型能方便地计算和分析变焦过程、确定变焦系统高斯光学参数[5]。二组元正组补偿连续变焦系统运动方式如图 1所示。
![]()
图 1 正组补偿光学系统变焦模型Figure 1. Principle diagrams of continuous zoom optical system with mechanical compensation变焦系统由于只有运动组才产生像面位移，只需抽出变倍组、补偿组加以分析。
因变倍组f2′的移动，引起整个运动组分的像面移动为m32(1－m22)dq，因补偿组f3′的移动，引起整个运动组分的像面移动为(1－m32)dΔ。为达到像面稳定，两个运动组像面移动量的代数和必为零。
$$ m_3^2\left(1-m_2^2\right) \mathrm{d} q+\left(1-m_3^2\right) \mathrm{d} \varDelta=0$$ (1) 而变倍组f2′、补偿组f3′微分移动量dq、dΔ与其倍率变化dm2、dm3之间的关系为：
$$ \mathrm{d} q = \frac{{{f_2}'}}{{m_2^2}}\mathrm{d}{m_2} $$ (2) $$ \mathrm{d} \varDelta=f_3{ }^{\prime} \mathrm{d} m_3 $$ (3) 将(2)、(3)代入(1)，经整理得到二组元连续变焦微分方程如下：
$$ \frac{{1 - m_2^2}}{{m_2^2}}{f_2}'\mathrm{d}{m_2} + \frac{{1 - m_3^2}}{{m_3^2}}{f_3}'\mathrm{d}{m_3} = 0 $$ (4) 式(4)是多变量全微分型微分方程，设U(m2, m3)为原函数，则有dU(m2, m3)＝0。
其通解为：
$$ U({m_2}, {m_3}) = {f_2}'(\frac{1}{{{m_2}}} + {m_2}) + {f_3}'(\frac{1}{{{m_3}}} + {m_3}) = C $$ (5) 式中：C为常量；设变倍组f2′、补偿组f3′初始状态都处于系统长焦位置，则：
$$ m_{2}＝m_{2l}\text{；}m_{3}＝m_{3l} $$ (6) 同样有：
$$ {f_2}'(\frac{1}{{{m_{2l}}}} + {m_{2l}}) + {f_3}'(\frac{1}{{{m_{3l}}}} + {m_{3l}}) = C $$ (7) 消去常量C，得到方程的特解：
$$ {f_2}'(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + {f_3}'(\frac{1}{{{m_3}}} - \frac{1}{{{m_{3l}}}} + {m_3} - {m_{3l}}) = 0 $$ (8) 将(8)式整理得到补偿组f3′的倍率m3构成的二次方程：
$$ m_3^2 - b{m_3} + 1 = 0 $$ (9) 其中
$$ b = - \frac{{{f_2}'}}{{{f_3}'}}(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + (\frac{1}{{{m_{3l}}}} + {m_{3l}}) $$ (10) 解得m3的两根为：
$$ {m_{31}} = \frac{{b + \sqrt {{b^2} - 4} }}{2} $$ (11) $$ {m_{32}} = \frac{{b - \sqrt {{b^2} - 4} }}{2} $$ (12) 系统参数求解过程如下：
1）将(2)式积分并整理得到变倍组f2′的倍率m2；
$$ {m_2} = \frac{1}{{\frac{1}{{{m_{2l}}}} + \frac{{{q_2}}}{{{f_2}'}}}} $$ (13) 2）根据求得的m2按照公式(10)求出系数b，再由(11)、(12)式解得补偿组f3′满足运动方程的两个解m31和m32。
3）根据补偿组的两个解求出满足运动方程补偿像面位移的移动量Δ1和Δ2：
$$ \varDelta_{1}＝f_{3}′(m_{31}－m_{3l})$$ (14) $$ \varDelta_{2}＝f_{3}′(m_{32}－m_{3l}) $$ (15) 4）求出系统的总变倍比
$$ {\varGamma _1} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{31}}}} $$ (16) $$ {\varGamma _2} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{32}}}} $$ (17) 变倍组f2′每移动q2对应着Γ1和Γ2，变倍组和补偿组一起同步运动直到预定的总变倍比为止，到达变倍比的要求的最终状态为系统短焦位置。根据上述连续变焦微分模型，利用(10)~(17)式，可解得各组分光焦度分配及间隔位置关系。
2. 连续变焦系统设计流程
针对复杂的变焦光学系统，建立模型是至关重要的环节，尽管根据(10)~(17)式可推导求解变焦系统高斯参数，但是当光学系统初始参数选择不合适, 会使得系统光焦度分配不合理导致系统像差校正难度大、间隔不合适导致各组件运动中相互碰撞等情况发生。鉴于连续变焦系统的复杂性，系统建模难度大，因此根据连续变焦理论模型编制连续变焦参数计算程序，辅助建立理想光学模型。建模后，设计工作的重点将放在选型以及评价函数的设置和动态修改上，使得设计系统快速收敛[6]。连续变焦光学系统设计流程如图 2所示。
首先，根据设计指标要求需要建立理想光学模型，确定每个组元的参数；再合理选型选材、设定评价函数，进入优化和全局优化；最后根据设计结果评价成像质量。其中函数优化和像质评价环节反复多次迭代，直至达到设计技术指标要求。
3. 连续变焦光学系统设计
3.1 设计指标
中波制冷型连续变焦光学系统采用昆明物理研究所研制生产的长度方向仅119 mm的小型化制冷型中波红外640×512焦平面探测器组件，该探测器具体参数如表 1所示。连续变焦光学系统主要设计指标见表 2。
表 1 探测器参数Table 1. Parameters of detectorDetector HgCdTe Array size 640×512 Pixel dimension/μm 15 NETD/mK ≤22 Spectral response/μm 3.7−4.8 μm Weight ≤380 g 表 2 光学系统设计指标Table 2. Parameters of optical system designWorking waveband/μm 3.7 to 4.8 Zoom 10:01 Field of view 20°×16° to 2.0°×1.6° F# 4 Focal length/mm 27.0~275 Working temperature/℃ -40 to 60 3.2 设计过程
首先，按照系统指标要求，根据连续变焦理论模型编制连续变焦正组补偿参数计算程序求解变焦光学系统各组元光焦度分配及位置间隔关系。在系统初始参数取值上主要考虑以下几点：
1）系统采用二次成像，既可以压缩前固定组直径又可以满足100%冷屏效率。中继组初始倍率取为－1×，前端变焦核心按照系统实际变焦范围进行取值，无需缩放；
2）系统无后固定组，在理论求解中将后固定组倍率取为1×即将后固定组定为无光焦度的虚拟面；
3）为压缩系统变焦过程中变倍组、补偿组位移量，变倍组长焦初始倍率取较大的倍率值，以符合最速变焦理论；
4）考虑光路U型折转，补偿组和中继组之间需较大的空间安置两片平面反射镜，则补偿组取较大的焦距值；
5）系统处于短焦位置时前固定组与变倍组应留出足够的间隔，使两组透镜不至于相碰，初始值设为0.55，补偿组与无光焦度后固定组虚拟面距离初始设为0.55。
利用计算程序，通过反复调整系统初始参数，观察组元间隔、光焦度分配是否合适，最终确定系统初始值为：
$$ \begin{gathered} f_{2}′＝－1、f_{3}′＝1.62、m_{2l}＝－1.45、\\m_{3l}＝－1.34、d_{12d}＝0.55、d_{34d}＝0.55 \end{gathered} $$ 表 3为连续变焦光学系统参数简易计算程序按照上述初始值计算得到的5个视场位置的变焦间隔参数分配结果。
表 3 变焦系统初始间隔参数Table 3. Initial spacing parameters of optical systemFocal length/mm 275 215 150 78.6 25.9 f1/f2 spacing/mm 83.49 80.06 74.56 59.44 18.90 f2/f3 spacing/mm 13.02 24.01 38.57 68.69 125.94 f3/f4 spacing/mm 67.23 59.67 50.61 35.61 18.90 其次，将上述程序计算的变焦光学系统各组元光焦度及间隔位置参数输入ZEMAX光学设计程序，得到系统近轴光学结构，如图 3所示。通过近轴光学结构分析，系统在各位置的焦距值与计算值吻合、总长一致、间隔布局合理、变焦曲线连续，验证程序计算结果正确，可进入下一步选型工作。
再次，考虑各组元材料与调焦镜的选取，由于系统需满足－40℃~+60℃工作环境下成像清晰要求，按照光学系统无热化设计理论，系统的光焦度分配、材料选取、元件间隔都要满足光焦度、消色差、消热差3个方程[7]。
$$ \sum\limits_{i = 1}^j {{h_i}{\varphi _i}} = \varphi $$ (18) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\theta _i}} = 0 $$ (19) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\chi _i}} = \sum\limits_{i = 1}^j {{\alpha _i}{L_i}} $$ (20) 式中：hi、ϕi、θi、χi分别为系统各透镜组近轴光线高度、光焦度、色差系数及热差系数；h1为第一透镜近轴光线高；ϕ为系统总光焦度；αi为各透镜间隔镜筒材料的线膨胀系数；Li为各间隔镜筒长度。
该系统采用分步设计技术实现系统连续变焦无热化。首先选取满足上述(18)(19)公式的光焦度和材料分配，实现系统常温状态连续变焦成像清晰及高低温情况下离焦量的线性变化，系统光学材料主要选用硅单晶、锗单晶及硒化锌。其次利用主动补偿技术使系统满足(20)式要求，由于系统透镜数量少，变倍组、补偿组采用凸轮轨道变焦，中继组的轴向移动会产生变倍效果即系统视场焦距发生变化，因此采用前固定组轴向移动来进行主动调焦消热。通过上述无热化设计方法，光学系统在－40℃~+60℃温度范围内保持其性能基本不变。
最后，设置多重结构，合理设计像差评价函数，不断调整优化。为提升连续变焦系统各视场成像清晰度要求，通过设置多个高次非球面和二元衍射面，以提供更多的自由度，有利于球差、色差、像散等各类像差的校正。
3.3 设计结果
轻小型中波红外连续变焦光学系统最终设计结果如图 4所示，从上到下依次为长焦275 mm、中焦100 mm、短焦27 mm的系统图。
系统前固定组采用硅单晶材料用于会聚目标景物光线、压缩变倍组透镜尺寸；变倍组采用锗单晶材料，利用锗单晶高折射率、高色散的特性实现大倍率的变焦；补偿组采用硒化锌材料主要利用其较低的温度折射率系数使其在高低温工作环境只产生较小的离焦量以便实时补偿；中继组选择具有低的温度折射率系数、低色散的硅单晶材料平衡前端变焦核的残留色差。
整个光学系统由4片透镜、两个平面反射镜组成，其中最大透镜为第一透镜其加工直径为71 mm，平面反射镜U型折转后光学系统轴向尺寸长度172 mm，横向尺寸宽度108 mm，光学零件总重量为64 g。该系统光学透镜数量少、重量轻，光路紧凑体积小，冷屏效率100%，适配小型化制冷探测器符合连续变焦光学系统轻小型设计理念。
3.4 二元衍射面分析
由于二元衍射面在消热差、消色差方面的优异特性，系统采用了两个二元衍射面用于减少透镜数量、简化系统设计、提高系统成像质量。
在补偿组透镜硒化锌材料上引入的二元衍射面参数为Norm Radius＝15 mm，A1＝－33.416，A2＝4.580。经计算得到二元衍射面环带深度随透镜径向的变化如图 5所示。硒化锌二元面环带数为4，最大环带深度2.918 μm，最小环带间隔宽度为2.06 mm。该面型环带间隔宽、加工环带数量少，易于单点金刚石车削加工。
![]()
图 5 硒化锌基底二元面环带与半径的关系Figure 5. Relationship between the ring depth and radius of the ZnSe binary optical element在中继组硅单晶材料引入的二元衍射面参数为Norm Radius＝16 mm，A1＝－60.402，A2＝－1.254。其环带深度随透镜径向的变化如图 6所示。硅透镜二元面环带数为9，最大环带深度1.72 μm，最小环带间隔宽度为0.86 mm。该透镜由于材料硬、环带多相对加工难度大，目前昆明物理所光学中心采用单点金刚石车削加工工艺，能制造出满足指标要求的硅基底二元光学元件。
![]()
图 6 硅基底二元面环带与半径的关系Figure 6. Relationship between the ring depth and radius of the silicon binary optical element3.5 凸轮曲线计算
本文应用动态光学理论[8]，根据像移补偿公式计算补偿组运动曲线。由于变焦组和补偿组均为沿光轴的一维移动，稳像方程为：
$$ {\beta _{2m}}{\beta _2}(1 - {\beta _{1m}}{\beta _1}){q_1} + (1 - {\beta _{2m}}{\beta _2}){q_2} = 0 $$ (21) 式中：β1为变倍组初始位置的垂轴放大率；β1m为变倍组运动后的垂轴放大率；β2为补偿组初始位置的垂轴放大率；β2m补偿组运动后的垂轴放大率；q1为变倍组沿光轴位移量；q2为补偿组沿光轴位移量。
式中：
$$ {\beta _{1m}} = \frac{{{\beta _1}{f_1}'}}{{{f_1}' - {\beta _1}{q_1}}} $$ (22) $$ {\beta _{2m}} = \frac{{{\beta _2}{f_2}'}}{{{f_2}' + (1 - {\beta _1}{\beta _{1m}}){\beta _2}{q_2} - {\beta _2}{q_2}}} $$ (23) 由(21)式~(23)式可得出q1和q2的运动关系，即：
$$ Aq_{2}^{2}+Bq_{2}+C＝0$$ (24) 式中：
$$ A＝(f_{1}′－β_{1}q_{1})β_{2}\text{；} $$ $$ \begin{align} B＝&β_{1}β_{2}q_{1}^{2}+[f_{2}′(1－β_{2}^{2})β_{1}－f_{1}′(1－β_{1}^{2})β_{2}]q_{1}－ \\&f_{1}′f_{2}′(1－β_{1}^{2}) \end{align}$$ $$ C＝β_{2}^{2}f_{2}′[β_{1}q_{1}－f_{1}′(1－β_{1}^{2})]q_{1} $$ 得到：
$$ {q_2} = \frac{{ - B \pm \sqrt {{B^2} - 4AC} }}{{2A}} $$ (25) 根据上述求解公式计算该变焦系统凸轮曲线如图 7所示。变倍组最大行程为28.6 mm、补偿组最大行程35 mm；补偿组曲线变化平滑，有利于凸轮轨道加工。
4. 系统像质评价
4.1 光学传递函数
系统3个焦距状态下的光学传递函数（MTF）如图 8所示。在3个焦距状态下的系统MTF满足使用要求，光学系统成像质量清晰。
4.2 点列图
系统3个焦距状态下的点列图如图 9所示。各视场RMS（root mean square）均小于一个像素，最大弥散斑RMS半径为12.6 μm，小于像元尺寸；最大弥散斑几何半径为24.5 μm，与系统艾里斑半径20.9 μm相当。系统成像质量良好，满足使用要求。
4.3 畸变
系统畸变情况如图 10所示，在长焦端小视场位置时，最大畸变量为1.2%，在短焦端大视场位置时的最大畸变量为2.4%，该变焦系统畸变对连续成像无明显影响。
4.4 系统高低温成像质量
在高低温工作环境中，系统采用轴向移动前固定组进行主动调焦消热。系统长焦端受环境温度变化，成像质量影响较大，本文主要分析长焦275 mm在高低温下经补偿后的系统成像质量。图 11为系统在高低温下长焦经补偿后的系统调制传递函数。图 12为系统在高低温下长焦经补偿后的系统点列图。从高低温传函图及点列图中看出系统在－40℃~60℃范围内成像质量良好，满足使用要求。
![]()
图 11 系统长焦时高低温下光学传递函数Figure 11. MTF curves of continuous zoom optical system at high and low temperatures![]()
图 12 系统长焦时高低温下点列图Figure 12. Spot diagrams of continuous zoom optical system at high and low temperatures5. 结论
基于小型化制冷中波640×512、像元间距15 μm的焦平面探测器，设计一款具有SWaP-C特征的正组补偿连续变焦光学系统。系统由4片透镜两片平面反射镜组成，F#为4、视场变化范围为20°×16°~2.0°×1.6°，变倍比为10×、U型折叠后系统包络尺寸为172 mm×108 mm、最大物镜口径71 mm、光学零件总重量64 g、零件加工工艺成熟，变焦凸轮曲线平滑，在－40℃~60℃范围内保持较好的成像质量。该轻小型中波红外连续变焦光学系统在导航、搜索、跟踪、警戒、侦察等领域具有广阔的市场前景。
-
![]()
图 1 基于多级回归Transformer网络的红外小目标检测框架
Figure 1. Infrared small target detection framework based on hierarchical regression transformer network
表 1 消融实验结果
Table 1 Ablation experimental results
Experiment Shuffle CAF LGT IoU nIoU Pd Fa 1 × √ √ 75.00 73.62 97.25 31.14 2 √ × √ 74.36 74.00 98.17 36.59 3 √ √ × 74.85 73.65 97.25 45.51 4 √ × × 70.56 72.47 98.17 61.58 5 × √ × 71.16 72.48 98.17 63.67 6 × × √ 68.74 71.53 97.86 68.67 7 × × × 65.28 68.12 97.25 69.06 8 √ √ √ 76.07 74.43 98.17 24.44 
下载: 导出CSV
表 2 对比实验结果
Table 2 Experimental results comparison of different algorithms
Method IoU ↑ nIoU ↑ Pd↑ Fa↓ Number of parameters↓ Inference time per image↓/s WSLCM 4.41 33.82 91.74 22593 - - TLLCM 3.51 21.75 92.66 26498 - - IPI 2.62 4.16 84.40 203.07 - - NRAM 45.68 55.49 85.32 161.15 - - PSTNN 51.95 62.66 82.57 394.29 - - MSLSTIPT 20.21 24.74 82.57 259.75 - - MDvsFA 45.28 48.16 76.15 166.07 3.77 M 0.0985 ACM 67.96 71.05 97.25 72.92 387.19K 0.0317 AGPCNet 64.26 70.05 98.16 120.56 12.36M 0.1413 IAANet 75.42 73.53 98.10 24.68 9.09M 0.0704 ALCNet 73.43 71.44 97.84 25.68 384.79k 0.0804 HRformer 76.07 74.43 98.17 24.44 182.46k 0.0304
下载: 导出CSV
-
[1] LI Z M, MEI L F, SONG M. A survey on infrared weak small target detection method[C]//Advanced Materials Research, 2014, 945: 1558-1560.
[2] BAI X, ZHOU F. Analysis of new top-hat transformation and the application for infrared dim small target detection[J]. Pattern Recognition, 2010, 43(6): 2145-2156. DOI: 10.1016/j.patcog.2009.12.023
[3] XU Y, ZHANG J. Real-time detection algorithm for small space targets based on max-median filter[J]. Journal of Information & Computational Science, 2014, 11(4): 1047-1055.
[4] CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1): 574-581.
[5] HAN J, Moradi S, Faramarzi I, et al. Infrared small target detection based on the weighted strengthened local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(9): 1670-1674.
[6] HOU X, ZHANG L. Saliency detection: a spectral residual approach[C]//2007 IEEE Conference on Computer Vision and Pattern Recognition, 2007: 1-8.
[7] DAI Y, WU Y. Reweighted infrared patch-tensor model with both nonlocal and local priors for single-frame small target detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8): 3752-3767. DOI: 10.1109/JSTARS.2017.2700023
[8] GAO C, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J]. IEEE Transactions on Image Processing, 2013, 22(12): 4996-5009. DOI: 10.1109/TIP.2013.2281420
[9] ZHANG L, PENG L, ZHANG T, et al. Infrared small target detection via non-convex rank approximation minimization joint l 2, 1 norm[J]. Remote Sensing, 2018, 10(11): 1821. DOI: 10.3390/rs10111821
[10] ZHANG L, PENG Z. Infrared small target detection based on partial sum of the tensor nuclear norm[J]. Remote Sensing, 2019, 11(4): 382. DOI: 10.3390/rs11040382
[11] ZHANG Z, REN J, LI S, et al. Robust subspace discovery by block-diagonal adaptive locality-constrained representation[C]//Proceedings of the 27th ACM international conference on multimedia, 2019: 1569-1577.
[12] GUO J, WU Y, DAI Y. Small target detection based on reweighted infrared patch‐image model[J]. IET Image Processing, 2018, 12(1): 70-79. DOI: 10.1049/iet-ipr.2017.0353
[13] 谷雨, 张宏宇, 孙仕成. 融合多尺度分形注意力的红外小目标检测模型[J]. 电子与信息学报, 2022, 44: 332-341. GU Yu, ZHANG Hongyu, SUN Shicheng. Infrared small target detection model with multi-scale fractal attention[J]. Journal of Electronics & Information Technology, 2022, 44: 332-341.
[14] 邵斌, 杨华, 朱斌, 等. 基于实时语义分割的红外小目标检测算法[J/OL]. [2023-01-14]. 激光与光电子学进展, http://kns.cnki.net/kcms/detail/31.1690.TN.20221031.1649.140.html. SHAO Bin, YANG Hua, ZHU Bin, et al. Infrared small target detection algorithm based on real-time semantic segmentation[J/OL]. [2023-01-14]. Laser & Optoelectronics Progress, http://kns.cnki.net/kcms/detail/31.1690.TN.20221031.1649.140.html.
[15] DAI Y, WU Y, ZHOU F, et al. Attentional local contrast networks for infrared small target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(11): 9813-9824. DOI: 10.1109/TGRS.2020.3044958
[16] WANG H, ZHOU L, WANG L. Miss detection vs. false alarm: adversarial learning for small object segmentation in infrared images[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 8509-8518.
[17] CHEN Y, LI L, LIU X, et al. A multi-task framework for infrared small target detection and segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-9.
[18] 张传聪, 李范鸣, 饶俊民. 基于特征显著性融合的红外小目标检测[J]. 半导体光电, 2022, 43(4): 828-834. ZHANG Chuancong, LI Fanming, RAO Junmin. Infrared small target detection based on feature saliency fusion[J]. Semiconductor Optoelectronics, 2022, 43(4): 828-834.
[19] 王翔. 一种复杂海空背景下的红外小目标检测跟踪算法[J]. 光学与光电技术, 2022, 20(2): 113-119. WANG Xiang. A detecting and tracking algorithm for the infrared small targets under the complex sea-sky background[J]. Optics & Optoelectronic Technology, 2022, 20(2): 113.
[20] 薛锡瑞, 黄树彩, 马佳顺, 等. 基于局部熵参考预处理的RPCA红外小目标检测[J]. 红外技术, 2021, 43(7): 649-657. http://hwjs.nvir.cn/article/id/e8541151-1530-4561-ad38-42349b5da1b8 XUE Xirui, HUANG Shucai, MA Jiashun, et al. RPCA infrared small target detection based on local entropy reference in preprocessing[J]. Infrared Technology, 2021, 43(7): 649-657. http://hwjs.nvir.cn/article/id/e8541151-1530-4561-ad38-42349b5da1b8
[21] 朱硕雅, 杨德振, 贾鹏, 等. 时空联合红外小目标检测算法的设计与实现[J]. 激光与红外, 2021, 51(3): 388-392. ZHU Shuoya, YANG Dezhen, JIA Peng, et al. Design and implementation of space-time combined infrared small target detection algorithm[J]. Laser and Infrared, 2021, 51(3): 388-392
[22] CHEN G, WANG W, TAN S. IRSTFormer: a hierarchical vision transformer for infrared small target detection[J]. Remote Sensing, 2022, 14(14): 3258. DOI: 10.3390/rs14143258
[23] 高峰, 孟德森, 解正源, 等. 基于Transformer和动态3D卷积的多源遥感图像分类[J/OL] [2023-01-14]. 北京航空航天大学学报, https://kns.cnki.net/kcms2/article/abstract?v=uzDkwlsKYf_a0mkJDLhoUifLD_CLUjdAHAXvAIM2Oc2U81D9gbL0OG9MgFUoxoPmlYbrUvlkvxOIE-erLa83gdCWbMK_cSetqEA_ 5TqvJOrbmH9oh0lf U4gQL71 LgQeJUj -SQGWx29E=&uniplatform= NZKPT&language= CHS. GAO Feng, MENG Desen, XIE Zhengyuan, et al. Multi-source remote sensing image joint classification based on transformer and dynamic 3D-convolution[J/OL]. [2023-01-14]. Journal of Beijing University of Aeronautics and Astronautics, https://kns.cnki.net/kcms2/article/abstract? v=uzDkwlsKYf_a0mkJDLhoUifLD_CLUjdAHAXvAIM2Oc2U81D9gbL0OG9MgFUoxoPmlYbrUvlkvxOIE-erLa83gdCWbMK_cSetqEA_ 5Tq vJOrbmH9oh0lfU4gQL71LgQeJUj-SQGWx29E=&uniplatform=NZKPT &language=CHS.
[24] Jonnalagadda A, WANG W Y, Manjunath B S, et al. Foveater: Foveated transformer for image classification[J/OL]. arXiv preprint arXiv: 2105.14173, 2021.
[25] HAN K, XIAO A, WU E, et al. Transformer in transformer[J]. Advances in Neural Information Processing Systems, 2021, 34: 15908-15919.
[26] LIU Z, LIN Y, CAO Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 10012-10022.
[27] ZHANG X, ZHOU X, Lin M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 6848-6856.
[28] DAI Y, WU Y, ZHOU F, et al. Asymmetric contextual modulation for infrared small target detection[C]//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, 2021: 950-959.
[29] WANG K, DU S, LIU C, et al. Interior attention-aware network for infrared small target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-13.
[30] ZHANG T, CAO S, PU T, et al. Agpcnet: attention-guided pyramid context networks for infrared small target detection[J/OL]. arXiv preprint arXiv: 2111.03580, 2021.
[31] HAN J, Moradi S, Faramarzi I, et al. Infrared small target detection based on the weighted strengthened local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 18(9): 1670-1674.
[32] CHEN C L P, LI H, WEIY, et al. A local contrast method for small infrared target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1): 574-581.
[33] GAO C, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J]. IEEE Transactions on Image Processing, 2013, 22(12): 4996-5009. DOI: 10.1109/TIP.2013.2281420
[34] ZHANG L, PENG L, ZHANG T, et al. Infrared small target detection via non-convex rank approximation minimization joint l 2, 1 norm[J]. Remote Sensing, 2018, 10(11): 1821. DOI: 10.3390/rs10111821
[35] ZHANG L, PENG Z. Infrared small target detection based on partial sum of the tensor nuclear norm[J]. Remote Sensing, 2019, 11(4): 382. DOI: 10.3390/rs11040382
[36] SUN Y, YANG J, AN W. Infrared dim and small target detection via multiple subspace learning and spatial-temporal patch-tensor model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 59(5): 3737-3752.
计量
- 文章访问数: 117
- HTML全文浏览量: 179
- PDF下载量: 43
