Плотная вложенная сеть внимания для обнаружения малых инфракрасных целей

Обнаружение малых инфракрасных целей на отдельных кадрах (SIRST) направлено на отделение малых целей от загроможденного фона. Благодаря достижениям в области глубокого обучения методы на основе сверточных нейронных сетей (CNN) продемонстрировали многообещающие результаты в обнаружении объектов общего назначения благодаря своим мощным возможностям моделирования. Однако существующие методы на основе CNN нельзя напрямую применять для обнаружения малых инфракрасных целей, поскольку слои пулинга в их архитектурах могут приводить к потере целей на глубоких уровнях. Для решения этой проблемы мы предлагаем плотную вложенную сеть внимания (DNA-Net). В частности, мы разрабатываем модуль плотного вложенного взаимодействия (DNIM) для поэтапного взаимодействия между признаками высокого и низкого уровней. Благодаря повторяющемуся взаимодействию в DNIM информация о малых инфракрасных целях сохраняется на глубоких уровнях. На основе DNIM мы также предлагаем каскадный модуль канального и пространственного внимания (CSAM) для адаптивного усиления многоуровневых признаков. В DNA-Net контекстная информация о малых целях эффективно интегрируется и полностью используется посредством повторного слияния и усиления признаков. Кроме того, мы создаем набор данных для обнаружения малых инфракрасных целей, получивший название NUDT-SIRST, и предлагаем набор оценочных метрик для всесторонней оценки производительности. Эксперименты на общедоступных и разработанных нами наборах данных демонстрируют эффективность предложенного метода. По сравнению с другими современными методами предложенный метод обеспечивает более высокие показатели вероятности обнаружения (P_d), частоты ложных тревог (F_a) и пересечения над объединением (IoU).