ロバストな赤外線小目標検出のための選択的注意ネットワーク

赤外線小目標検出（IRSTD）は、海洋監視、軍事捜索救助、早期警戒システム、精密誘導攻撃など、ミッションクリティカルなさまざまなアプリケーションにおいて極めて重要な役割を果たします。これらのアプリケーションでは、高いクラッターを含む赤外線背景の中で、暗くサブピクセルサイズの目標を正確に識別することが求められます。深層学習手法による進展にもかかわらず、基本的な課題が残っています：赤外線小目標は空間的範囲が極めて限られ（多くの場合わずか数ピクセル）、信号対クラッター比が低く、構造的に複雑な背景と容易に混同され、誤警報を引き起こしやすいです。既存のエンコーダ-デコーダアーキテクチャは、初期畳み込み段階での情報ボトルネックにより細粒度の目標認識が損なわれるという問題と、静的スキップ接続が本来の目標と疑似目標領域を区別するための動的適応性を欠くという問題を抱えています。これらの課題に対処するため、本論文ではSANetを提案します。SANetは古典的なU-Netフレームワークを基盤とし、2つの新しいコンポーネントを追加しています：（1）デュアルパス意味認識モジュール（DSM）は、局所空間詳細保存のための標準畳み込みと、拡張された方向感応型受容野のためのピンホイール形状畳み込みを統合し、その後、畳み込みブロック注意モジュール（CBAM）で細粒度の空間-チャネル特徴再調整を行います。（2）選択的注意融合モジュール（SAFM）は、従来の静的スキップ接続を空間適応型の学習可能重み付けメカニズムに置き換え、文脈認識型のクロススケール特徴融合を実現します。複数のベンチマークデータセットでの実験結果は、SANetが既存手法を上回り、検出のロバスト性を大幅に向上させることを示しています。この研究は赤外線小目標検出に新たな方向性を提供し、実システムへの応用が期待されます。