論文の概要: You Only Look Omni Gradient Backpropagation for Moving Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2511.13013v1
• Date: Mon, 17 Nov 2025 06:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.709051
• Title: You Only Look Omni Gradient Backpropagation for Moving Infrared Small Target Detection
• Title（参考訳）: 近赤外小ターゲット検出のためのOmni Gradient Backpropagation
• Authors: Guoyi Zhang, Guangsheng Xu, Siyang Chen, Han Wang, Xiaohu Zhang,
• Abstract要約: 小型ターゲット検出のためのバックプロパゲーション駆動型特徴ピラミッドアーキテクチャBP-FPNを提案する。 この設計は理論的に基礎があり、計算のオーバーヘッドを無視し、既存のフレームワークにシームレスに統合することができる。 複数の公開データセットに対する大規模な実験は、BP-FPNが一貫して新しい最先端のパフォーマンスを確立していることを示している。
• 参考スコア（独自算出の注目度）: 4.782962269769956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moving infrared small target detection is a key component of infrared search and tracking systems, yet it remains extremely challenging due to low signal-to-clutter ratios, severe target-background imbalance, and weak discriminative features. Existing deep learning methods primarily focus on spatio-temporal feature aggregation, but their gains are limited, revealing that the fundamental bottleneck lies in ambiguous per-frame feature representations rather than spatio-temporal modeling itself. Motivated by this insight, we propose BP-FPN, a backpropagation-driven feature pyramid architecture that fundamentally rethinks feature learning for small target. BP-FPN introduces Gradient-Isolated Low-Level Shortcut (GILS) to efficiently incorporate fine-grained target details without inducing shortcut learning, and Directional Gradient Regularization (DGR) to enforce hierarchical feature consistency during backpropagation. The design is theoretically grounded, introduces negligible computational overhead, and can be seamlessly integrated into existing frameworks. Extensive experiments on multiple public datasets show that BP-FPN consistently establishes new state-of-the-art performance. To the best of our knowledge, it is the first FPN designed for this task entirely from the backpropagation perspective.
• Abstract（参考訳）: 赤外線小ターゲット検出は、赤外線サーチ・トラッキングシステムにおいて重要な要素であるが、信号とクラッタ比の低さ、ターゲットと背景の厳密な不均衡、識別性の弱い特徴により、依然として極めて困難である。 既存のディープラーニング手法は主に時空間的特徴集約に重点を置いているが、その利得は限られており、基本的なボトルネックは時空間的モデリングそのものではなく、フレームごとの特徴表現のあいまいさにあることが明らかになった。 BP-FPNはバックプロパゲーション駆動型特徴ピラミッドアーキテクチャであり、小目標に対する特徴学習を根本的に再考する。 BP-FPNでは、ショートカット学習を誘導することなく、グラディエント分離低レベルショートカット(GILS)を効率よく実装し、バックプロパゲーション中に階層的特徴一貫性を強制するディレクショナルグラディエント正規化(DGR)を導入している。 この設計は理論的に基礎があり、無視可能な計算オーバーヘッドを導入し、既存のフレームワークにシームレスに統合することができる。 複数の公開データセットに対する大規模な実験は、BP-FPNが一貫して新しい最先端のパフォーマンスを確立することを示している。 我々の知る限りでは、バックプロパゲーションの観点からこのタスクのために設計された最初のFPNである。

関連論文リスト

• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Beyond Motion Cues and Structural Sparsity: Revisiting Small Moving Target Detection [5.375165101682048]
  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。
  論文  参考訳（メタデータ） (2025-09-09T12:20:25Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• 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)
• FGSGT: Saliency-Guided Siamese Network Tracker Based on Key Fine-Grained Feature Information for Thermal Infrared Target Tracking [11.599952876425736]
  そこで本稿では, キーきめ細かい特徴量に基づく新しいサリエンシ誘導型シームズネットワークトラッカーを提案する。 この設計は、浅い層から重要なグローバルな特徴を捉え、特徴の多様性を高め、きめ細かいインフォームの損失を最小限にする。 実験の結果,提案したトラッカーが最も精度が高く,成功率も高いことがわかった。
  論文  参考訳（メタデータ） (2025-04-19T14:13:15Z)
• 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)
• 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)
• 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)

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。