一个改进的U-Net红外小目标检测算法基于多尺度特征分解和融合和注意力机制

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 红外小型目标检测对于军事,安全和医疗应用至关重要.
• 深度学习,特别是卷积神经网络,显示出希望,但由于规模,弱信号和背景噪声,与小目标作斗争.
• 现有的方法经常受到特征泄漏和红外小目标细分中的错误检测的影响.

研究的目的:

• 提出一个增强的U-Net模型,MST-UNet,以改善红外小目标细分.
• 解决传统卷积神经网络在检测弱信号和复杂背景的小目标方面的局限性.
• 为了提高功能利用率,并减少在细分过程中的信息丢失.

主要方法:

• 实施了MST-UNet,结合了多级特征分解,融合和注意力机制.
• 取代了最大聚合与哈尔波段变换,用于降低采样,以保存特征信息.
• 引入了多个尺度的残余单位,以增强语境信息提取和特征表达.
• 整合了三重注意力机制,以改善功能恢复和多维信息利用.

主要成果:

• MST-UNet模型在目标轮精度和细分精度方面取得了显著的改进.
• 在NUDT-SIRST数据集上实现了80.09%的联盟交叉 (IoU) 和80.19%的正常化IoU (nIoU).
• 有效地缓解了红外小目标细分中常见的特征泄漏和错误检测问题.

结论:

• MST-UNet为红外小目标检测和细分提供了强大的解决方案.
• 拟议的方法有效地增强了特征提取和利用,从而实现了卓越的细分性能.
• 波形变换和注意力机制的整合为这个领域的未来研究提供了一个有希望的方向.