HSHNet:一种用于红外小目标检测的几何增强与稀疏提取混合网络
《Optik》:HSHNet: A hybrid network with geometric enhancement and sparse extraction for infrared small target detection
【字体:
大
中
小
】
时间:2026年10月21日
来源:Optik CS8.3
编辑推荐:
# 摘要
红外小目标检测在军事和民用领域有着广泛的应用,例如导弹预警、搜索救援和交通监控等。然而,现有方法在极低信噪比(SNR)条件下仍面临漏检和虚警的双重挑战,原因在于目标尺寸小、外观微弱以及背景耦合度高。为应对这一挑战,我们提出了双曲稀疏混合网络(HSHNet)。该网络
# 摘要
红外小目标检测在军事和民用领域有着广泛的应用,例如导弹预警、搜索救援和交通监控等。然而,现有方法在极低信噪比(SNR)条件下仍面临漏检和虚警的双重挑战,原因在于目标尺寸小、外观微弱以及背景耦合度高。为应对这一挑战,我们提出了双曲稀疏混合网络(HSHNet)。该网络通过双曲、稀疏和渐进式三个模块的协同作用,将背景抑制、弱信号增强和边缘细化解耦为一个统一的可端到端优化的框架。首先,双曲几何特征增强模块利用负曲率的庞加莱嵌入来捕获全局层次上下文,有效增强弱信号表征。其次,混合稀疏目标提取模块采用低秩背景估计、自适应软阈值和梯度模拟来减少虚警。最后,轻量级渐进式引导模块通过递归热力图提供局部先验,渐进式细化目标边缘并与解码器特征注意力进行融合。在SIRST-v2、NUDT-SIRST和IRSTD-1k数据集上的实验表明,我们的模型优于大多数最先进的方方法。具体而言,在SIRST-v2上IoU达到78.01%,在NUDT-SIRST上达到84.08%,在IRSTD-1k上达到70.13%。我们的代码可在以下链接获取:https://github.com/Zhanglesa/HSHNet
## 引言
红外成像技术凭借其全天候工作、远距离探测和抗可见光干扰等独特优势,已成为现代军事和民用应用的核心工具[2], [13]。在军事领域,红外小目标检测(IRSTD)被广泛应用于导弹预警系统、无人机监控和战场情报收集中,以实现潜在威胁的实时识别[2], [13], [50]。在民用领域,它支持搜索救援行动、森林火灾监测和交通监控,以确保高效的应急响应。近期,对检测精度和实时性能日益增长的需求促使研究人员不断优化学术算法,以应对复杂环境中小目标识别的挑战[7], [9], [50], [51]。
早期的红外小目标检测传统方法主要分为三类:基于滤波的方法、基于对比的方法和基于低秩稀疏的方法。例如,Sun等人提出了一种基于B样条近似和高阶统计滤波器的新方法[7],以精确抑制杂波并提高小目标检测精度。然而,这些方法在处理复杂非均匀背景时容易产生虚警,且对目标尺度变化缺乏适应性,导致在低信噪比场景下检测率较低。基于对比的算法强调局部显著性差异。Chen等人利用受人类视觉系统启发的对比机制[5]来增强目标显著性,但这些方法对边缘杂波敏感,在处理多目标干扰时效果不佳。基于低秩稀疏的模型假设背景形成低秩矩阵,而目标构成稀疏分量。Gao等人使用鲁棒主成分分析(RPCA)分解图像[11],实现了背景抑制。然而,该方法计算复杂度高,在高维数据中的泛化能力有限。尽管这些传统方法为红外小目标检测奠定了基础,但它们难以满足复杂场景下实时处理的需求。
随着深度学习的兴起,基于卷积神经网络(CNN)和Transformer的模型在红外小目标检测中日益流行[27]。然而,它们面临特征稀疏性、尺度变化和背景噪声干扰等挑战,这往往导致检测精度下降和计算效率低下。为应对这些挑战,研究人员强调多尺度特征融合和注意力机制的应用[8], [30], [32]。Yao等人通过融合高层和低层特征并加入空间注意力来增强Deeplab网络,解决了因池化层导致的目标细节丢失问题[44]。这些方法强调动态注意力和空间线索融合[21]。然而,它们主要依赖欧几里得空间中的线性表示,在处理图像的内在层次结构(如树状的目标-背景关系)时容易产生畸变,导致低维嵌入效率低下[1]。为此,结合双曲几何的深度模型开始出现[16], [26]。Khrulkov等人通过双曲图像嵌入捕获层次关系,增强了分类和检索性能[16]。Peng等人将适用于视觉任务的组件进行了泛化[26]。这些方法不仅提高了鲁棒性,还为红外小目标检测提供了低畸变的嵌入策略[3]。
现有的深度学习方法试图通过多尺度特征融合和注意力机制来缓解特征稀疏和背景干扰问题,并引入频域分析以增强鲁棒性。然而,这些方法仅通过动态调整和模块化优化来减轻问题,并未从根本上消除低信噪比场景下的细节丢失,仍有进一步改进的空间。
近期的方法探索了多尺度局部对比学习[45]、梯度引导的边缘增强[56]、方向性高频先验[55]、低层特征优先处理[18]、Transformer-CNN混合编码[33]以及基础模型驱动的范式[46]。尽管取得了这些进展,但在统一框架内同时捕获几何结构、稀疏特征和多尺度上下文仍然充满挑战。
为解决这些局限性,我们提出了双曲稀疏混合网络(HSHNet)。该方法基于U-Net架构,集成了双曲特征增强分支、混合稀疏目标提取模块(HSTEM)和轻量级渐进式引导模块(LPG)。具体而言,双曲特征增强分支通过双曲映射捕获全局层次视图,并增强复杂背景下小目标的表征。HSTEM采用低秩背景估计和自适应软阈值来提取稀疏特征,显著减少虚警。LPG利用递归热力图生成渐进式引导信号,实现基于注意力的融合,提高目标定位精度。这些模块在瓶颈层无缝集成,确保高效的特征增强。在SIRST-v2和IRSTD-1k等公开数据集上的实验验证表明,HSHNet在IoU方面优于最先进的方方法,证明了其在低信噪比场景下的鲁棒性和泛化能力。
本研究的主要贡献总结如下:
1) 我们设计了一种用于红外小目标检测的双曲稀疏混合网络(HSHNet)。它通过U-Net风格的编码器-解码器结构融合多尺度特征,提供高效的背景抑制和目标增强。其优势在于平衡了计算开销和检测精度,使其适用于实时应用。
2) 引入双曲特征增强分支,通过非欧几里得映射捕获全局层次信息。该分支实现了弱信号目标的同时放大和噪声鲁棒性的增强。
3) 提出混合稀疏目标提取模块(HSTEM)和轻量级渐进式引导模块(LPG)。HSTEM通过低秩分解和自适应阈值提取稀疏特征,减少虚警并提高交并比(IoU)。同时,LPG利用递归热力图引导注意力融合,从而增强定位协同能力。
4) 在多个公开数据集上的大量实验验证了HSHNet的有效性,证明了其在复杂背景下的优越性能,并为未来的红外小目标检测研究提供了可扩展的框架。
本文其余部分组织如下。第2节简要回顾相关工作。第3节详细介绍所提出的方法。第4节给出并讨论实验结果。第5节得出结论。
## 论文片段
### 传统红外小目标检测
在红外小目标检测领域,传统方法通过信号处理和优化模型应对目标尺寸小、信噪比低和复杂背景干扰等挑战。这些方法主要分为两类:基于滤波的方法和基于稀疏低秩表示的方法。它们强调计算效率和背景抑制,但依赖人工参数设计[12], [35], [54], [57]。
#### 基于滤波的检测器
(本节原文未提供详细内容)
### 整体框架
HSHNet是一种专为红外小目标检测设计的基于U-Net的架构,结合了残差编码、注意力引导融合、双曲特征变换和稀疏感知目标提取。网络以初始卷积开始,适配输入通道并产生早期特征图。编码器由多个级联的残差块组成,通过池化实现渐进式下采样,从低层边缘到高层捕获多尺度表示。
### 实验与结果
本节简要概述了实验中使用的数据集、选择的对比模型以及测试中实施的评估标准。随后,我们详细说明了实验设置,并通过与各种最先进(SOTA)方法的基准对比来展示模型的优势。最后,我们进行了消融实验以评估所引入组件的影响。
## 结论
在本文中,我们提出了HSHNet,一种专门针对红外小目标检测设计的网络。该架构通过在瓶颈层引入双曲几何映射来增强全局特征表示,并集成了用于稀疏特征提取的HSTEM模块和提供局部先验引导的LPG模块。这种设计提高了模型在复杂背景下捕获弱信号的能力,同时有效抑制了杂波并细化了目标边缘。
### CRediT作者贡献声明
林振贤:撰写 – 审阅与编辑,监督。
张明辉:撰写 – 审阅与编辑,撰写 – 初稿,方法论。
吴承茂:撰写 – 审阅与编辑,监督,资金获取。
### 利益冲突声明
作者声明不存在已知的财务利益或个人关系可能影响本文所报告的工作。
### 致谢
本研究的出版部分得到了陕西省教育厅自然科学专项资金(项目编号:24JK0531)和陕西省自然科学基金(项目编号:2025JC-YBMS-343)的资助。
**作者信息:**
林振贤 | 张明辉 | 吴承茂
西安邮电大学理学院,陕西西安,邮编710121,中国
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