論文の概要: DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing

• arxiv url: http://arxiv.org/abs/2505.19148v1
• Date: Sun, 25 May 2025 13:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.936521
• Title: DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing
• Title（参考訳）: DISTA-Net: ダイナミック・クローズドスペース赤外線小ターゲットアンミックス
• Authors: Shengdong Han, Shangdong Yang, Xin Zhang, Yuxuan Li, Xiang Li, Jian Yang, Ming-Ming Cheng, Yimian Dai,
• Abstract要約: 本稿では,動的フレームワーク内で従来のスパース再構築を再現する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは、密接な空間を持つ赤外線小ターゲットのアンミックスのために特別に設計された最初のディープラーニングモデルである。 私たちはこの分野におけるさらなる研究を促進するために、最初のオープンソースエコシステムを確立しました。
• 参考スコア（独自算出の注目度）: 55.366556355538954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resolving closely-spaced small targets in dense clusters presents a significant challenge in infrared imaging, as the overlapping signals hinder precise determination of their quantity, sub-pixel positions, and radiation intensities. While deep learning has advanced the field of infrared small target detection, its application to closely-spaced infrared small targets has not yet been explored. This gap exists primarily due to the complexity of separating superimposed characteristics and the lack of an open-source infrastructure. In this work, we propose the Dynamic Iterative Shrinkage Thresholding Network (DISTA-Net), which reconceptualizes traditional sparse reconstruction within a dynamic framework. DISTA-Net adaptively generates convolution weights and thresholding parameters to tailor the reconstruction process in real time. To the best of our knowledge, DISTA-Net is the first deep learning model designed specifically for the unmixing of closely-spaced infrared small targets, achieving superior sub-pixel detection accuracy. Moreover, we have established the first open-source ecosystem to foster further research in this field. This ecosystem comprises three key components: (1) CSIST-100K, a publicly available benchmark dataset; (2) CSO-mAP, a custom evaluation metric for sub-pixel detection; and (3) GrokCSO, an open-source toolkit featuring DISTA-Net and other models. Our code and dataset are available at https://github.com/GrokCV/GrokCSO.
• Abstract（参考訳）: 密集星団における密集した小さな標的の解決は、重なり合う信号がそれらの量、サブピクセルの位置、放射線強度の正確な決定を妨げるため、赤外線イメージングにおいて重要な課題となる。 深層学習は、赤外線小目標検出の分野を前進させてきたが、密集した赤外小目標への応用はまだ検討されていない。 このギャップは、主に、重畳された特徴を分離する複雑さと、オープンソースインフラストラクチャの欠如によって存在している。 本研究では,動的フレームワーク内で従来のスパース再構成を再認識する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは畳み込み重みと閾値パラメータを適応的に生成し、リアルタイムで再構成プロセスを調整する。 我々の知る限り、disTA-Netは、近距離の近赤外小ターゲットのアンミックスに特化して設計された最初のディープラーニングモデルであり、より優れたサブピクセル検出精度を実現する。 さらに,この分野でのさらなる研究を促進するための,最初のオープンソースエコシステムも確立した。 このエコシステムは,(1)公開ベンチマークデータセットであるCSIST-100K,(2)サブピクセル検出のためのカスタム評価指標であるCSO-mAP,(3)disTA-Netなどのモデルを特徴とするオープンソースツールキットであるGrokCSOの3つの重要なコンポーネントで構成されている。 コードとデータセットはhttps://github.com/GrokCV/GrokCSO.comで公開されています。

関連論文リスト

• CSPENet: Contour-Aware and Saliency Priors Embedding Network for Infrared Small Target Detection [4.731073701194089]
  赤外線小目標検出(ISTD)は、幅広い民間・軍事用途において重要な役割を担っている。 既存の手法では, 密集した乱雑な環境下でのディムターゲットの局所化や輪郭情報の認識に欠陥がある。 本稿では,ISTDのためのcontour-aware and saliency priors embedded network (CSPENet)を提案する。
  論文  参考訳（メタデータ） (2025-05-15T03:56:36Z)
• 10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
  バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。 両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。 BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
  論文  参考訳（メタデータ） (2025-03-04T14:25:51Z)
• Learning Dynamic Local Context Representations for Infrared Small Target Detection [5.897465234102489]
  複雑な背景、低信号/クラッタ比、ターゲットサイズと形状の違いにより、赤外線小目標検出(ISTD)は困難である。 ISTDの動的局所文脈表現を学習する新しい手法であるLCRNetを提案する。 1.65Mのパラメータだけで、LCRNetは最先端(SOTA)のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-23T09:06:27Z)
• 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)
• 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)
• One-Stage Cascade Refinement Networks for Infrared Small Target Detection [21.28595135499812]
  SIRST(Single-frame InfraRed Small Target)検出は、固有の特性の欠如による課題である。 実世界の高解像度単一フレームターゲットのSIRST-V2データセットからなる赤外線小ターゲット検出のための新しい研究ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T13:37:23Z)
• 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)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)

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。