論文の概要: Beyond Motion Cues and Structural Sparsity: Revisiting Small Moving Target Detection

• arxiv url: http://arxiv.org/abs/2509.07654v1
• Date: Tue, 09 Sep 2025 12:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.300521
• Title: Beyond Motion Cues and Structural Sparsity: Revisiting Small Moving Target Detection
• Title（参考訳）: 動きキューと構造空間を超えて:小さな移動目標検出を再考する
• Authors: Guoyi Zhang, Siyang Chen, Guangsheng Xu, Zhihua Shen, Han Wang, Xiaohu Zhang,
• Abstract要約: 小型移動目標検出は、多くの防衛用途に不可欠である。 しかし、低信号対雑音比、曖昧な視覚的手がかり、乱雑な背景のため、非常に困難である。 本稿では,既存のアプローチと根本的に異なる新しいディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.375165101682048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small moving target detection is crucial for many defense applications but remains highly challenging due to low signal-to-noise ratios, ambiguous visual cues, and cluttered backgrounds. In this work, we propose a novel deep learning framework that differs fundamentally from existing approaches, which often rely on target-specific features or motion cues and tend to lack robustness in complex environments. Our key insight is that small target detection and background discrimination are inherently coupled, even cluttered video backgrounds often exhibit strong low-rank structures that can serve as stable priors for detection. We reformulate the task as a tensor-based low-rank and sparse decomposition problem and conduct a theoretical analysis of the background, target, and noise components to guide model design. Building on these insights, we introduce TenRPCANet, a deep neural network that requires minimal assumptions about target characteristics. Specifically, we propose a tokenization strategy that implicitly enforces multi-order tensor low-rank priors through a self-attention mechanism. This mechanism captures both local and non-local self-similarity to model the low-rank background without relying on explicit iterative optimization. In addition, inspired by the sparse component update in tensor RPCA, we design a feature refinement module to enhance target saliency. The proposed method achieves state-of-the-art performance on two highly distinct and challenging tasks: multi-frame infrared small target detection and space object detection. These results demonstrate both the effectiveness and the generalizability of our approach.
• Abstract（参考訳）: 小型移動目標検出は、多くの防衛用途において重要であるが、信号対雑音比の低さ、曖昧な視覚的手がかり、乱れの背景により、依然として非常に困難である。 本研究では,従来のアプローチと根本的に異なる新たなディープラーニングフレームワークを提案する。 私たちの重要な洞察は、小さなターゲットの検出と背景の識別が本質的に結合されていることです。 テンソルベース低ランク・スパース分解問題としてタスクを再構成し,背景,目標,雑音成分の理論的解析を行い,モデル設計を導く。 これらの知見に基づいて、ターゲット特性に関する最小限の仮定を必要とするディープニューラルネットワークであるTenRPCANetを紹介します。 具体的には、自己保持機構を通じて、多階テンソルの低ランク前処理を暗黙的に実施するトークン化戦略を提案する。 このメカニズムは局所的および非局所的な自己相似性を捕捉し、明示的な反復最適化に頼ることなく低ランク背景をモデル化する。 さらに、テンソルRPCAのスパースコンポーネント更新にインスパイアされ、ターゲットの塩分濃度を高める機能改善モジュールを設計する。 提案手法は,多フレーム赤外小目標検出と空間オブジェクト検出という,高度に異なる2つの課題に対して,最先端の性能を実現する。 これらの結果は,本手法の有効性と一般化性の両方を示している。

関連論文リスト

• Weakly-supervised Contrastive Learning with Quantity Prompts for Moving Infrared Small Target Detection [11.930404803127358]
  小さいターゲットサイズと弱い背景コントラストのため、赤外線小ターゲット検出の移動は大きな課題に直面している。 現在、既存のほとんどのメソッドは、完全に管理されており、多くの手動のターゲットワイドアノテーションに依存しています。 本稿では,モデル学習において単純な目標量プロンプトのみを必要とする弱教師付きコントラスト学習(WeCoL)方式を提案する。
  論文  参考訳（メタデータ） (2025-07-03T09:11:31Z)
• 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)
• Motion-Enhanced Nonlocal Similarity Implicit Neural Representation for Infrared Dim and Small Target Detection [9.459649691992377]
  赤外線ディムと小さなターゲット検出は、動的マルチフレームシナリオと弱いターゲットシグネチャによって大きな課題となる。 伝統的な低ランク+スパースモデルでは、動的背景と大域的空間的時間的相関を捉えることができないことが多い。 本稿では,これらの課題に対処するために,新しい動作強化非局所類似性暗黙的ニューラル表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T07:42:00Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  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。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• 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)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• 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)
• Bayesian Attention Belief Networks [59.183311769616466]
  注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。 本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。 提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-09T17:46:22Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。