导读
对于检测小目标有一定的借鉴意义。
论文下载：后台回复“红外小目标检测”获取论文下载链接。
1. 介绍
红外小目标检测的几个困难点：
1、目标尺寸很小，没有结构，纹理，形状的信息。
2、背景很复杂，各种噪声很多，目标很容易淹没在背景中。
3、SCR很低，信号的对比度很低，信号强度相比于周围的区域，对比度不是很强。
4、目标移动不稳定。
5、噪声特性是未知的。
6、经常需要多帧检测，增加了计算量和复杂度。
本文的主要贡献：
1、全面分析了基于深度神经网络来做红外小目标检测的两个关键问题，小anchor和浅层特征。
2、将基于IoU的正负样本判定逻辑改为基于中心点的方法。
3、分析了浅层特征和深层特征的作用，浅层特征很关键，深层特征很有用。
4、这是首次使用CNN来进行红外弱小目标的检测。
2、方法
这个任务主要有2个问题需要考虑：
1、让CNN来检测红外弱小目标变的可行。
2、在低SCR的情况下，有好的检测结果。
2.1 点目标的形式
送到网络中的点目标的形式是非常重要的，我们没有选取点目标实际占据的像素作为点目标的表示，而是在中心点处选取了一个3x3的区域作为点目标的实例。理由有3：
1、单个像素的信息很少，很难和背景区分，3x3的区域可以比较好的和背景区分。
2、实际的目标并不是一个点，而是一个圆盘，可以通过高斯灰度方程来表示：
3、这个区域不是很大，包含的背景信息很少。
2.2 面向目标的浅层特征
2.2.1 小anchor的效果
anchors的设置如下：
可以看到，使用小anchor的时候，每个位置只有1个anchor，这样大大减少了anchor的数量。
2.2.2 面向目标的浅层特征
对于深层和浅层特征，主要取决于卷积层的数量。以3x3的目标为例，下采样2次后，目标就会消失，因此，在Conv3上，目标会消失。我们将Conv1和Conv2作为浅层特征，其他的作为深层特征。类似的，如果是5x5的目标，conv1，conv2和conv3是浅层特征，其他的是深层特征。
因此，CNN是适合做点目标检测的：
1、小的anchor box用来保证点目标可以高效的送到网络中。
2、用浅层特征。
3、结合深度语义特征和浅层特征。
2.2.3 TSDF-based目标检测框架
框架包含3个部分，ResNet50特征提取器，特征融合模块，目标判定模块。这里，我们展示如何使用ResNet50的Conv1到Conv4来检测点目标。
1、特征提取器
使用ResNet50作为主干，Conv1和Conv2是浅层特征，Conv2之后的为深层特征，浅层特征直接送到目标判定模块中。
2、特征融合模块
为了使用更高层的语义信息，需要将深层特征和浅层特征进行融合，以Conv3为例，先进行上采样，然后和Conv1进行合并，为了减少通道数，需要进行一个1x1的卷积。融合方程为：
3、目标判定模块
该模块中有4个输入，2个高分辨率浅层特征图，2个高分辨率浅层特征和深层特征融合的特征图。包括一个分类子网络和一个回归子网络，4个输入可以得到4个输出，然后选择得分最高的作为最后的检测结果。
整体结构如下图：
3. 实验
这里用到了2个数据集，生成的红外数据集Data1和真实的红外数据集Data2，两个数据集的示例图如下：
使用不同层的特征的对比，这里Pd是检测率，Pf是虚警率，Pmd是漏检率：
可以看到，浅层特征的是关键，同时深层特征也有很大的帮助，特别是是对虚警率和漏检率。
不同检测方法的对比：
首发：AI公园公众号
作者：ronghuaiyang推荐阅读
关注图像处理，自然语言处理，机器学习等人工智能领域,请点击关注AI公园专栏。
欢迎关注微信公众号
