論文の概要: RDANet: Relative Degradation Aware Network for Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2608.20870v1
• Date: Fri, 21 Aug 2026 08:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.478786
• Title: RDANet: Relative Degradation Aware Network for Infrared Small Target Detection
• Title（参考訳）: RDANet:赤外線小ターゲット検出のための相対劣化認識ネットワーク
• Abstract要約: 本稿では,赤外線小ターゲット検出のためのRDANet(Relative Degradation Aware Network)を提案する。 RDANetは2つの専用モジュールで構成されている: Multi-Scale Anti-Alias Downsampling (MSAD) と Prototype-Guided Skip Memory (PGSM) である。
• 参考スコア（独自算出の注目度）: 15.913634536918499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection is still challenging in remote sensing imagery, because the targets are extremely small, exhibit weak local contrast, and are often embedded in complex and highly variable backgrounds. In addition to these inherent difficulties, we observe that existing detectors often show unstable performance when the target scale changes or when the scene background varies. This scale- and scene-sensitive degradation indicates that current methods are insufficient in simultaneously preserving target structure during feature downsampling and maintaining discriminative local contrast under background shifts, which finally results in unbalanced detection performance across different conditions. To improve detection robustness, this paper proposes a Relative Degradation Aware Network (RDANet) for infrared small target detection. RDANet consists of two dedicated modules: Multi-Scale Anti-Alias Downsampling (MSAD) and Prototype-Guided Skip Memory (PGSM). MSAD introduces multi-scale anti-alias filtering together with pixel-fold aggregation to reduce aliasing effects during resolution reduction, so that target shape information can be better preserved while irrelevant background responses are suppressed. PGSM further enhances the skip features by retrieving patch-level prototypes from a shared memory and adaptively integrating them into the current representation, which helps maintain stable local contrast cues under diverse scene backgrounds. Experiments on three public benchmarks show that RDANet achieves the best performance on most evaluation metrics, while scale- and background-stratified evaluations indicate more stable behavior across target sizes and scene complexity. The code is available at https://github.com/BIT-RuiLiu/RDANet.
• Abstract（参考訳）: リモートセンシング画像では、ターゲットは非常に小さく、局所的なコントラストが弱く、複雑で可変な背景に埋め込まれることが多いため、赤外線小ターゲット検出は依然として困難である。 これらの難しさに加えて、既存の検出器は、ターゲットスケールが変化したり、シーン背景が変化した場合に不安定な性能を示すことが多いことを観察する。 このスケールとシーンに敏感な劣化は、現状の手法が特徴のダウンサンプリング中にターゲット構造を同時に保存し、背景シフトの下で識別的局所コントラストを維持するのに不十分であることを示し、最終的に異なる条件で不均衡検出性能をもたらす。 検出のロバスト性を改善するために,赤外小目標検出のためのRDANet(Relative Degradation Aware Network)を提案する。 RDANetは2つの専用モジュールで構成されている: Multi-Scale Anti-Alias Downsampling (MSAD) と Prototype-Guided Skip Memory (PGSM) である。 MSADは、画素折り畳みアグリゲーションとともにマルチスケールのアンチエイリアスフィルタリングを導入し、解像度低下時のエイリアス効果を低減し、無関係なバックグラウンド応答を抑えながら、ターゲット形状情報をより保存することができる。 PGSMは、共有メモリからパッチレベルのプロトタイプを取得し、それらを現在の表現に適応的に統合することにより、スキップ機能をさらに強化する。 3つの公開ベンチマークの実験では、RDANetがほとんどの評価指標で最高のパフォーマンスを達成しているのに対し、スケールとバックグラウンドの階層化評価は、ターゲットサイズとシーンの複雑さをまたいだより安定した振る舞いを示している。 コードはhttps://github.com/BIT-RuiLiu/RDANetで入手できる。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• CCDNet: Learning to Detect Camouflage against Distractors in Infrared Small Target Detection [22.490046328258444]
  赤外線目標検出タスクは、自然災害救助や海洋探索のような分野において重要な応用がある。 赤外線の標的を検出するのは コントラストが低く 複雑な背景に 混ざり合う傾向があるため 効果的に カモフラージュする 本稿では,新しいtextbfCamouflage-aware textbfCounter-textbfDistraction textbfNetwork (CCDNet)を提案する。
  論文  参考訳（メタデータ） (2026-03-31T03:51:51Z)
• DCCS-Det: Directional Context and Cross-Scale-Aware Detector for Infrared Small Target [4.318503966844226]
  赤外線小目標検出(IRSTD)は、リモートセンシングや監視などのアプリケーションにおいて重要である。 本稿では,DSEブロックとLatent-aware Semantic extract and Aggregation (LaSEA)モジュールを組み込んだ新しい検出器DCCS-Detを提案する。 実験により、DCCS-Detは複数のデータセットをまたいだ競合効率で最先端の検出精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-01-23T03:53:59Z)
• SDCoNet: Saliency-Driven Multi-Task Collaborative Network for Remote Sensing Object Detection [7.016133328153285]
  リモートセンシング画像では、複雑な背景、弱い物体信号、小さな物体スケールが特に正確な検出を困難にしている。 一般的な戦略は、検出前に単一画像の超解像(SR)を統合することである。 SRと検出を暗黙的特徴共有によって結合するSDCoNet(Saliency-Driven Multi-task Collaborative Network)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T17:36:48Z)
• 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)
• 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)
• SparseFormer: Detecting Objects in HRW Shots via Sparse Vision Transformer [62.11796778482088]
  本稿では,近接撮影とHRW撮影のオブジェクト検出のギャップを埋めるために,SparseFormerと呼ばれるモデル非依存のスパース視覚変換器を提案する。 提案されたSparseFormerは、オブジェクトを含む可能性のあるスパース分散ウィンドウを精査するために、注意トークンを選択的に使用する。 2つのHRWベンチマークであるPANDAとDOTA-v1.0の実験により、提案されたSparseFormerは、最先端のアプローチよりも検出精度(最大5.8%)と速度(最大3倍)を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-11T03:21:25Z)
• 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)
• 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)
• Hierarchical Disentanglement-Alignment Network for Robust SAR Vehicle Recognition [18.38295403066007]
  HDANetは機能障害とアライメントを統合フレームワークに統合する。 提案手法は,MSTARデータセットにおいて,9つの動作条件にまたがる顕著なロバスト性を示す。
  論文  参考訳（メタデータ） (2023-04-07T09:11:29Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。