CN-UNet:融合ConvNeXt与切片辅助超分割的红外弱小目标检测新方法
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:CN-UNet: ConvNeXt UNet With Slicing-Aided Hyper Segmentation for Infrared Small Target Detection
【字体:
大
中
小
】
时间:2025年12月08日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本文针对红外弱小目标检测中存在的低对比度、纹理缺失等难题,提出了一种基于ConvNeXt模块的U形分割网络CN-UNet。研究通过引入多尺度局部对比学习模块(MSLCLM)增强目标特征筛选能力,并结合切片辅助超分割(SAHS)技术提升推理精度。实验表明,该方法在NUAA-SIRST、NUDT-SIRST和IRSTD-1K三个基准数据集上均优于现有先进方法,在保持较低计算成本的同时显著提升了检测性能,为复杂背景下的红外目标识别提供了高效解决方案。
在红外探测技术领域,如何从复杂背景中精准识别出像素级大小的弱小目标一直是个棘手难题。由于红外小目标(IRST)通常只占据几个到几十个像素,缺乏明显纹理特征,且易被噪声淹没,传统方法往往表现不佳。随着深度学习技术的发展,基于卷积神经网络(CNN)和Transformer的模型虽取得进展,但仍存在感受野受限、计算复杂度高或需要大量训练数据等问题。为此,研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表论文,提出了一种名为CN-UNet的创新网络结构,通过纯卷积操作实现自注意力机制,并结合视觉先验知识,为红外弱小目标检测提供了新的解决方案。
为开展研究,作者团队主要采用以下关键技术:1)以ConvNeXt模块构建编码器,通过大核深度卷积模拟Swin Transformer的全局感知能力;2)设计多尺度局部对比学习模块(MSLCLM),利用空洞卷积增强目标与背景的对比度;3)提出切片辅助超分割(SAHS)技术,通过动态缩放和重叠切片提升小目标在推理阶段的相对尺寸。实验基于NUAA-SIRST、NUDT-SIRST和IRSTD-1K三个公开数据集,使用MIoU、Pd、Fa和F1-score等指标进行量化评估。
网络架构设计
CN-UNet采用经典的编码器-解码器结构,编码阶段包含五个层级,其中第二阶段引入ConvNeXt模块,通过深度可分离卷积和倒瓶颈结构实现高效特征提取。解码器采用简化双线性插值注意力模块(SBAM)融合多尺度特征,MSLCLM嵌入在跳跃连接中,通过三组不同膨胀率的空洞卷积强化局部对比特征。
多尺度局部对比学习模块
MSLCLM由三个局部对比学习单元(LCL_Unit)堆叠而成,每个单元包含标准卷积和空洞卷积操作。通过计算目标区域与邻域的特征差异,模拟传统局部对比度量方法,使网络能够自主学习符合人类视觉先验的特征分布。
切片辅助超分割技术
SAHS技术在推理阶段对输入图像进行重叠分块和缩放处理,通过连通域分析和非极大值抑制(NMS)优化分割结果。该方法将目标检测中的切片辅助推理思想扩展到分割任务,显著提升了像素级定位精度。
实验结果与分析
在三个数据集上的定量对比表明,CN-UNet在MIoU和F1-score等指标上均达到领先水平。特别是在NUDT-SIRST数据集上,其检测概率(Pd)达到99.12%,而参数量仅为DNANet的47.18%。可视化结果进一步验证了CN-UNet在复杂背景下的鲁棒性,如所示,该方法能清晰勾勒出树枝遮挡下的无人机轮廓。Grad-CAM热力图分析显示,CN-UNet在浅层特征提取阶段即可聚焦目标区域,而对比模型UIU-Net则易受背景干扰。
消融实验与模型优化
通过逐步添加模块的消融实验证实,MSLCLM和SAHS技术分别带来约3%和2%的MIoU提升。进一步对ConvNeXt模块数量的测试表明,仅在第二阶段引入该模块可实现最佳性能平衡。研究也指出,在信噪比极低或背景干扰极强的极端场景下,模型性能仍有提升空间。
结论与展望
CN-UNet通过融合ConvNeXt的全局感知能力、MSLCLM的局部对比增强以及SAHS的推理优化,实现了红外弱小目标检测精度与效率的平衡。该工作为资源受限的边缘设备部署提供了可行方案,未来可结合扩散模型或Mamba架构进一步优化极端环境下的适应性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号