基于选择性注意网络的鲁棒红外小目标检测

红外小目标检测（IRSTD）在海上监视、军事搜索救援、早期预警和精确制导等关键任务中扮演着核心角色。这些应用需要从高度杂乱的红外背景中准确识别暗淡、甚至亚像素级的目标。尽管深度学习方法取得了显著进展，但红外小目标通常仅占据几个像素，信号与杂波比低，易与结构复杂的背景混淆，导致虚警。现有的编码器-解码器架构存在两个主要局限：早期卷积阶段的信息瓶颈削弱了细粒度目标感知，而静态的跳跃连接缺乏区分真实目标与伪目标区域的动态适应性。为此，论文提出了一种基于选择性注意的网络（SANet），它建立在经典U-Net框架之上，并引入了两个创新组件：双路径语义感知模块（DSM）和选择性注意融合模块（SAFM）。DSM模块结合标准卷积以保留局部空间细节，同时采用pinwheel形状卷积扩展方向敏感的感知视野，并通过卷积块注意模块（CBAM）进行细粒度的空间-通道特征重标定。SAFM则用空间自适应、可学习的加权机制取代传统的静态跳跃连接，实现上下文感知的跨尺度特征融合。实验结果表明，SANet在多个基准数据集上优于现有方法，显著提升了检测鲁棒性。该研究为红外小目标检测提供了新的思路，有望在实际系统中得到应用。