論文の概要: HyperTea: A Hypergraph-based Temporal Enhancement and Alignment Network for Moving Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2508.10678v1
• Date: Thu, 14 Aug 2025 14:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.352892
• Title: HyperTea: A Hypergraph-based Temporal Enhancement and Alignment Network for Moving Infrared Small Target Detection
• Title（参考訳）: HyperTea:赤外小ターゲット検出のためのハイパーグラフによる時間的拡張とアライメントネットワーク
• Authors: Zhaoyuan Qi, Weihua Gao, Wenlong Niu, Jie Tang, Yun Li, Xiaodong Peng,
• Abstract要約: 特徴量の高次時間相関をモデル化するために,グローバルな時間的視点と局所的な時間的視点を統合したHyperTeaを提案する。 我々の知る限り、HyperTeaは、小さなターゲット検出のために畳み込みニューラルネットワーク(CNN)、繰り返しニューラルネットワーク(RNN)、ハイパーグラフニューラルネットワーク(HGNN)を統合する最初の試みである。
• 参考スコア（独自算出の注目度）: 12.0388429138168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical application scenarios, moving infrared small target detection (MIRSTD) remains highly challenging due to the target's small size, weak intensity, and complex motion pattern. Existing methods typically only model low-order correlations between feature nodes and perform feature extraction and enhancement within a single temporal scale. Although hypergraphs have been widely used for high-order correlation learning, they have received limited attention in MIRSTD. To explore the potential of hypergraphs and enhance multi-timescale feature representation, we propose HyperTea, which integrates global and local temporal perspectives to effectively model high-order spatiotemporal correlations of features. HyperTea consists of three modules: the global temporal enhancement module (GTEM) realizes global temporal context enhancement through semantic aggregation and propagation; the local temporal enhancement module (LTEM) is designed to capture local motion patterns between adjacent frames and then enhance local temporal context; additionally, we further develop a temporal alignment module (TAM) to address potential cross-scale feature misalignment. To our best knowledge, HyperTea is the first work to integrate convolutional neural networks (CNNs), recurrent neural networks (RNNs), and hypergraph neural networks (HGNNs) for MIRSTD, significantly improving detection performance. Experiments on DAUB and IRDST demonstrate its state-of-the-art (SOTA) performance. Our source codes are available at https://github.com/Lurenjia-LRJ/HyperTea.
• Abstract（参考訳）: 現実的な応用シナリオでは、ターゲットの小さなサイズ、弱い強度、複雑な動きパターンのために、移動赤外線小目標検出(MIRSTD)は非常に困難である。 既存の手法は通常、特徴ノード間の低次相関をモデル化し、単一の時間スケールで特徴抽出と拡張を行う。 ハイパーグラフは高次相関学習に広く用いられているが、MIRSTDでは注目されていない。 ハイパーグラフの可能性を探究し,マルチタイムな特徴表現を強化するために,グローバルな時間的視点とローカルな時間的視点を統合し,高次時空間相関を効果的にモデル化するHyperTeaを提案する。 HyperTeaは3つのモジュールから構成される。グローバル時間拡張モジュール(GTEM)はセマンティックアグリゲーションと伝搬によるグローバル時間的文脈拡張を実現し、ローカル時間拡張モジュール(LTEM)は隣接するフレーム間の局所的な動きパターンをキャプチャし、局所時間的コンテキストを強化するように設計されている。 我々の知る限り、HyperTeaは、MIRSTDのための畳み込みニューラルネットワーク(CNN)、繰り返しニューラルネットワーク(RNN)、ハイパーグラフニューラルネットワーク(HGNN)を統合する最初の研究であり、検出性能を大幅に改善した。 DAUBとIRDSTの実験は、その最先端(SOTA)性能を実証している。 ソースコードはhttps://github.com/Lurenjia-LRJ/HyperTea.comで公開されています。

関連論文リスト

• MHSA: A Multi-scale Hypergraph Network for Mild Cognitive Impairment Detection via Synchronous and Attentive Fusion [4.526574526136158]
  同期核融合によるMCI検出のためのマルチスケールハイパーグラフネットワークを提案する。 本手法では、関心領域のスペクトル領域における位相同期関係を計算するために、位相同期値(PLV)を用いる。 PLV係数は動的に戦略を調整し,時間スペクトル融合行列に基づいて動的ハイパーグラフをモデル化する。
  論文  参考訳（メタデータ） (2024-12-11T02:59:57Z)
• Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
  本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:15Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Discrete-time Temporal Network Embedding via Implicit Hierarchical Learning in Hyperbolic Space [43.280123606888395]
  双曲幾何学の指数的能力と階層的認識を生かした双曲時間グラフネットワーク(HTGN)を提案する。 HTGNは、時間グラフを双曲空間にマッピングし、双曲グラフニューラルネットワークと双曲ゲートリカレントニューラルネットワークを組み込む。 複数の実世界のデータセットに対する実験結果は、時間グラフ埋め込みにおけるHTGNの優位性を示している。
  論文  参考訳（メタデータ） (2021-07-08T11:24:59Z)

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。