論文の概要: Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection
- arxiv url: http://arxiv.org/abs/2407.15369v1
- Date: Mon, 22 Jul 2024 04:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 16:10:42.896010
- Title: Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection
- Title(参考訳): Sparse Priorは必ずしも必要ではない。赤外小ターゲット検出のための差動方向コヒーレンスと差分方向が一致するとき
- Authors: Fei Zhou, Maixia Fu, Yulei Qian, Jian Yang, Yimian Dai,
- Abstract要約: 本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。
我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。
さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。
近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
- 参考スコア(独自算出の注目度): 15.605122893098981
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrared small target detection is crucial for the efficacy of infrared search and tracking systems. Current tensor decomposition methods emphasize representing small targets with sparsity but struggle to separate targets from complex backgrounds due to insufficient use of intrinsic directional information and reduced target visibility during decomposition. To address these challenges, this study introduces a Sparse Differential Directionality prior (SDD) framework. SDD leverages the distinct directional characteristics of targets to differentiate them from the background, applying mixed sparse constraints on the differential directional images and continuity difference matrix of the temporal component, both derived from Tucker decomposition. We further enhance target detectability with a saliency coherence strategy that intensifies target contrast against the background during hierarchical decomposition. A Proximal Alternating Minimization-based (PAM) algorithm efficiently solves our proposed model. Experimental results on several real-world datasets validate our method's effectiveness, outperforming ten state-of-the-art methods in target detection and clutter suppression. Our code is available at https://github.com/GrokCV/SDD.
- Abstract(参考訳): 赤外線小目標検出は、赤外線サーチ・トラッキングシステムの有効性に不可欠である。
現在のテンソル分解法では, 内部方向情報の不十分な使用と, 分解時の目標視認性の低下により, 複雑な背景から目標を分離することの難しさが強調されている。
これらの課題に対処するために、Sparse Differential Directionality prior (SDD)フレームワークを導入する。
SDDは、ターゲットの異なる方向特性を利用して背景と区別し、タッカー分解から派生した時間成分の差分方向像と連続性差行列に混合スパース制約を適用した。
階層的分解時の背景に対する目標コントラストを増大させるサリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに向上する。
近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
いくつかの実世界のデータセットによる実験結果から,本手法の有効性が検証され,目標検出およびクラッタ抑制における10種類の最先端手法よりも優れた結果が得られた。
私たちのコードはhttps://github.com/GrokCV/SDD.comで公開されています。
関連論文リスト
- Dim Small Target Detection and Tracking: A Novel Method Based on Temporal Energy Selective Scaling and Trajectory Association [8.269449428849867]
本稿では,有効検出を実現するための時間的特徴に基づく空間的特徴と実現可能性に基づく難易度の分析を行う。
この分析により,マルチフレームを検出単位とし,時間的エネルギー選択スケーリング(TESS)に基づく検出手法を提案する。
対象画素に対して、画素を通過するターゲットは、画素によって形成される強度時間プロファイル(ITP)に弱い過渡的障害をもたらす。
適切に設計された関数を用いて、過渡的障害を増幅し、背景成分と雑音成分を抑圧し、ターゲットの軌道を多フレーム検出ユニットに出力する。
論文 参考訳(メタデータ) (2024-05-15T03:02:21Z) - Mitigate Target-level Insensitivity of Infrared Small Target Detection
via Posterior Distribution Modeling [5.248337726304453]
Infrared Small Target Detection (IRSTD) は、赤外線クラッタ背景から小さなターゲットを分離することを目的としている。
マスク後部分布モデルを用いて画素レベルの判別を補正する赤外線小ターゲット検出のための拡散モデルフレームワークを提案する。
実験により,提案手法は, NUAA-SIRST, IRSTD-1k, NUDT-SIRSTデータセット上での最先端手法と競合する性能向上を実現することを示した。
論文 参考訳(メタデータ) (2024-03-13T09:45:30Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small
Target Detector [60.42293239557962]
我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。
新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。
大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2024-02-08T05:06:14Z) - RPCANet: Deep Unfolding RPCA Based Infrared Small Target Detection [10.202639589226076]
この研究は、RPCANetと呼ばれる赤外線ディムターゲットを検出するための解釈可能なディープネットワークを提案する。
提案手法では, ISTDタスクをスパースターゲット抽出, 低ランク背景推定, 画像再構成として定式化する。
反復最適化の更新ステップをディープラーニングフレームワークに展開することにより、時間を要する複雑な行列計算を理論誘導ニューラルネットワークに置き換える。
論文 参考訳(メタデータ) (2023-11-02T01:21:12Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳(メタデータ) (2023-09-03T06:35:07Z) - EFLNet: Enhancing Feature Learning for Infrared Small Target Detection [20.546186772828555]
単一フレームの赤外線小目標検出は難しい課題であると考えられている。
ターゲットと背景の極端に不均衡のため、境界ボックスの回帰は赤外線小ターゲットに対して非常に敏感である。
本稿では,これらの問題に対処する機能学習ネットワーク(EFLNet)を提案する。
論文 参考訳(メタデータ) (2023-07-27T09:23:22Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Infrared Small-Dim Target Detection with Transformer under Complex
Backgrounds [155.388487263872]
変換器を用いた赤外線小径目標検出手法を提案する。
画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。
最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
論文 参考訳(メタデータ) (2021-09-29T12:23:41Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳(メタデータ) (2021-03-10T16:45:22Z) - Multiple Infrared Small Targets Detection based on Hierarchical Maximal
Entropy Random Walk [12.10092482860325]
我々は,最大エントロピーランダムウォーク(MERW)から導かれる検出方法を確立し,複数の小目標を頑健に検出する。
提案手法は, 目標強調, 背景抑圧, 複数小目標検出の観点から, 最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2020-10-02T11:11:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。