論文の概要: DRPCA-Net: Make Robust PCA Great Again for Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2507.09541v1
• Date: Sun, 13 Jul 2025 08:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.465402
• Title: DRPCA-Net: Make Robust PCA Great Again for Infrared Small Target Detection
• Title（参考訳）: DRPCA-Net: 赤外線小ターゲット検出のためのロバストPCA
• Authors: Zihao Xiong, Fei Zhou, Fengyi Wu, Shuai Yuan, Maixia Fu, Zhenming Peng, Jian Yang, Yimian Dai,
• Abstract要約: 赤外線小目標検出は、リモートセンシング、産業監視、一般用途において重要な役割を担っている。 近年のディープラーニングによる進歩にもかかわらず、多くのエンドツーエンドの畳み込みモデルは、ますます複雑なアーキテクチャを積み重ねることでパフォーマンスを追求する傾向にある。 本研究では,空間認識を学習可能なアーキテクチャに統合した新しい深層展開ネットワークであるDynamic RPCA Network (CA-Net)を提案する。
• 参考スコア（独自算出の注目度）: 16.863479323884956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection plays a vital role in remote sensing, industrial monitoring, and various civilian applications. Despite recent progress powered by deep learning, many end-to-end convolutional models tend to pursue performance by stacking increasingly complex architectures, often at the expense of interpretability, parameter efficiency, and generalization. These models typically overlook the intrinsic sparsity prior of infrared small targets--an essential cue that can be explicitly modeled for both performance and efficiency gains. To address this, we revisit the model-based paradigm of Robust Principal Component Analysis (RPCA) and propose Dynamic RPCA Network (DRPCA-Net), a novel deep unfolding network that integrates the sparsity-aware prior into a learnable architecture. Unlike conventional deep unfolding methods that rely on static, globally learned parameters, DRPCA-Net introduces a dynamic unfolding mechanism via a lightweight hypernetwork. This design enables the model to adaptively generate iteration-wise parameters conditioned on the input scene, thereby enhancing its robustness and generalization across diverse backgrounds. Furthermore, we design a Dynamic Residual Group (DRG) module to better capture contextual variations within the background, leading to more accurate low-rank estimation and improved separation of small targets. Extensive experiments on multiple public infrared datasets demonstrate that DRPCA-Net significantly outperforms existing state-of-the-art methods in detection accuracy. Code is available at https://github.com/GrokCV/DRPCA-Net.
• Abstract（参考訳）: 赤外線小目標検出は、リモートセンシング、産業監視、および様々な民間用途において重要な役割を担っている。 近年のディープラーニングによる進歩にもかかわらず、多くのエンドツーエンドの畳み込みモデルは、解釈可能性、パラメータ効率、一般化を犠牲にして、ますます複雑なアーキテクチャを積み重ねることでパフォーマンスを追求する傾向にある。 これらのモデルは、通常、赤外小目標よりも先に固有の空間性を見落とし、パフォーマンスと効率の両面で明確にモデル化できる重要なキューである。 そこで我々は、Robust principal Component Analysis(RPCA)のモデルベースパラダイムを再検討し、新しい深層展開ネットワークであるDynamic RPCA Network(DRPCA-Net)を提案する。 静的でグローバルに学習されたパラメータに依存する従来のディープ展開方法とは異なり、DRPCA-Netは軽量なハイパーネットワークを通じて動的展開機構を導入している。 この設計により、モデルが入力シーンに条件付き反復的パラメータを適応的に生成し、様々な背景にまたがるロバスト性と一般化を高めることができる。 さらに,動的残留群 (DRG) モジュールを設計し,背景の文脈変化をよりよく把握し,より正確な低ランク推定を実現し,小さなターゲットの分離を改善した。 複数のパブリックな赤外線データセットに対する大規模な実験により、DRPCA-Netは検出精度において既存の最先端の手法を大幅に上回っていることが示された。 コードはhttps://github.com/GrokCV/DRPCA-Netで入手できる。

関連論文リスト

• RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
  RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。 我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。 さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2025-08-06T08:19:37Z)
• It's Not the Target, It's the Background: Rethinking Infrared Small Target Detection via Deep Patch-Free Low-Rank Representations [5.326302374594885]
  本稿では、LRRNetと呼ばれる新しいエンドツーエンドIRSTDフレームワークを提案する。 乱れシーンの物理的圧縮性に着想を得て,本手法は圧縮・再構成・減算パラダイムを採用する。 複数の公開データセットの実験により、LRRNetは検出精度、堅牢性、計算効率の点で38の最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-12T07:24:45Z)
• DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing [55.366556355538954]
  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。
  論文  参考訳（メタデータ） (2025-05-25T13:52:00Z)
• ARFC-WAHNet: Adaptive Receptive Field Convolution and Wavelet-Attentive Hierarchical Network for Infrared Small Target Detection [2.643590634429843]
  ARFC-WAHNetは、赤外線小ターゲット検出のための適応型受容野畳み込みおよびウェーブレット減衰階層ネットワークである。 ARFC-WAHNetは、検出精度とロバスト性の両方において、最近の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-05-15T09:44:23Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)
• Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
  現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。 これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。 我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
  論文  参考訳（メタデータ） (2024-02-23T14:15:58Z)
• 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)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Attentional Local Contrast Networks for Infrared Small Target Detection [15.882749652217653]
  赤外線小目標検出のための新しいモデル駆動深層ネットワークを提案する。 従来の局所コントラスト測定法を、エンドツーエンドネットワークにおける深さ自在なパラメータレス非線形特徴精製層としてモジュール化します。 ネットワークアーキテクチャの各コンポーネントの有効性と効率を実証的に検証するために,ネットワーク奥行きの異なる詳細なアブレーション研究を行う。
  論文  参考訳（メタデータ） (2020-12-15T19:33:09Z)

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。