論文の概要: SCR-Guided Difficulty-Aware Optimization for Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2606.18783v1
• Date: Wed, 17 Jun 2026 07:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.052291
• Title: SCR-Guided Difficulty-Aware Optimization for Infrared Small Target Detection
• Title（参考訳）: 赤外線小ターゲット検出のためのSCR誘導難読度最適化
• Authors: Yunus Sevim, Behçet Uğur Töreyin,
• Abstract要約: 重度の背景乱れ、低コントラスト、弱い空間応答により、赤外線小目標検出は依然として困難である。 軽量SCR誘導難易度最適化フレームワークREEM(Reweighted Explicit-visibility Enhanced Modulation)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection remains challenging due to severe background clutter, low contrast, and weak spatial responses where geometric overlap alone is insufficient to characterize detection quality. In this work, we propose REEM (Reweighted Explicit-visibility Enhanced Modulation), a lightweight SCR-guided difficulty-aware optimization framework that incorporates Signal-to-Clutter Ratio (SCR) as a physically meaningful visibility prior during training. Instead of modifying the network architecture or directly optimizing SCR, REEM computes a ground-truth local SCR from the input image and applies a differentiable modulation to the soft-IoU learning signal, emphasizing low-visibility targets while preserving stable optimization and identical inference behavior. REEM is integrated into a U-Net-based MSHNet without introducing additional parameters, architectural modifications, or inference-time overhead. Extensive experiments demonstrate consistent improvements over the baseline, achieving higher IoU and detection probability (Pd) together with substantially reduced false alarms (FA), particularly under challenging low-visibility conditions. These results suggest that SCR-guided difficulty-aware optimization provides an effective and physically grounded complement to conventional overlap-based objectives for infrared small target detection. The code is available at https://github. com/yall-in-one/Reemm.
• Abstract（参考訳）: 背景粗さ,低コントラスト,空間応答の弱さなどにより,検出品質を特徴づけるには,幾何的重なりだけでは不十分な赤外小目標検出が依然として困難である。 本稿では、SCR(Signal-to-Clutter Ratio)をトレーニング前に物理的に意味のある可視性として組み込んだ軽量なSCR誘導困難対応最適化フレームワークであるREEMを提案する。 ネットワークアーキテクチャを変更したり、SCRを直接最適化する代わりに、REEMは入力画像から地味な局所SCRを計算し、ソフトIoU学習信号に微分可能な変調を適用し、安定した最適化と同一の推論動作を維持しながら、低可視性を強調する。 REEMはU-NetベースのMSHNetに統合され、追加のパラメータやアーキテクチャの変更、推論時のオーバーヘッドを導入することなく利用できる。 大規模な実験はベースラインに対して一貫した改善を示し、特に低視認性条件下では高いIoUと検出確率(Pd)と大幅に減少する偽アラーム(FA)を同時に達成する。 これらの結果から,SCR誘導による難易度認識最適化は,従来のオーバーラップに基づく赤外小目標検出の目的を効果的かつ物理的に補完するものであることが示唆された。 コードはhttps://github.orgで公開されている。 .com/yall-in-one/Reemm。

関連論文リスト

• DSCSNet: A Dynamic Sparse Compression Sensing Network for Closely-Spaced Infrared Small Target Unmixing [21.491924966226062]
  Close Small Object Unmixingタスクは、混合スポットから個々のターゲットの番号、サブピクセル位置、放射強度を回復することを目的としている。 既存の手法は、モデル駆動アプローチの厳密なスパーシリティ保証と、データ駆動手法の動的シーン適応性のバランスをとるのに苦労している。 本稿では,動的スパース圧縮センシングネットワーク (DSCSNet) を提案する。
  論文  参考訳（メタデータ） (2026-03-22T12:24:59Z)
• Breaking Self-Attention Failure: Rethinking Query Initialization for Infrared Small Target Detection [22.128797773091403]
  赤外線小目標検出(IRSTD)は、低信号対雑音比(SNR)、小さなターゲットサイズ、複雑な乱雑な背景のために大きな課題に直面している。 最近のDETRベースの検出器は、IRSTDに顕著な性能劣化を示す。
  論文  参考訳（メタデータ） (2026-01-06T09:14:01Z)
• IrisNet: Infrared Image Status Awareness Meta Decoder for Infrared Small Targets Detection [92.56025546608699]
  IrisNetは、入力赤外線画像ステータスに検出戦略を適用する、新しいメタ学習フレームワークである。 提案手法は,赤外線画像特徴量とデコーダパラメータ全体の動的マッピングを確立する。 NUDT-SIRST、NUAA-SIRST、IRSTD-1Kデータセットの実験は、我々のIrisNetの優位性を示している。
  論文  参考訳（メタデータ） (2025-11-25T13:53:54Z)
• RT-DETRv4: Painlessly Furthering Real-Time Object Detection with Vision Foundation Models [48.91205564876609]
  軽量物体検出器の高効率化を目的とした,コスト効率・高適合性蒸留フレームワークを提案する。 当社のアプローチは、さまざまなDETRベースのモデルに対して、目立って一貫したパフォーマンス向上を実現しています。 我々の新しいモデルファミリーRT-DETRv4はCOCOの最先端結果を達成し、APスコアは49.7/53.5/55.4/57.0で、対応する速度は273/169/124/78 FPSである。
  論文  参考訳（メタデータ） (2025-10-29T08:13:17Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• Knowledge Regularized Negative Feature Tuning of Vision-Language Models for Out-of-Distribution Detection [54.433899174017185]
  信頼性の高い機械学習モデルを構築するには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 我々はKR-NFT(Knowledge Regularized Negative Feature Tuning)と呼ばれる新しい手法を提案する。 NFTは、事前訓練されたテキスト特徴に分布認識変換を適用し、正および負の特徴を異なる空間に効果的に分離する。 ImageNetデータセットから数発のサンプルをトレーニングすると、KR-NFTはID分類精度とOOD検出を改善するだけでなく、FPR95を5.44%削減する。
  論文  参考訳（メタデータ） (2025-07-26T07:44:04Z)
• 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)
• ISTD-YOLO: A Multi-Scale Lightweight High-Performance Infrared Small Target Detection Algorithm [0.3749861135832073]
  ISTD-YOLOは、改良されたYOLOv7に基づく軽量赤外線小目標検出アルゴリズムである。 ISTD-YOLOは検出効果を効果的に改善し、全ての指標を効果的に改善する。
  論文  参考訳（メタデータ） (2025-04-19T13:19:54Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)

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。