基於選擇性注意網絡的魯棒紅外小目標檢測

紅外小目標檢測（IRSTD）在海上監視、軍事搜索救援、早期預警和精確制導等關鍵任務中扮演着核心角色。這些應用需要從高度雜亂的紅外背景中準確識別暗淡、甚至亞像素級的目標。儘管深度學習方法取得了顯著進展，但紅外小目標通常僅佔據幾個像素，信號與雜波比低，易與結構複雜的背景混淆，導致虛警。現有的編碼器-解碼器架構存在兩個主要侷限：早期卷積階段的信息瓶頸削弱了細粒度目標感知，而靜態的跳躍連接缺乏區分真實目標與偽目標區域的動態適應性。為此，論文提出了一種基於選擇性注意的網絡（SANet），它建立在經典U-Net框架之上，並引入了兩個創新組件：雙路徑語義感知模塊（DSM）和選擇性注意融合模塊（SAFM）。DSM模塊結合標準卷積以保留局部空間細節，同時採用pinwheel形狀卷積擴展方向敏感的感知視野，並通過卷積塊注意模塊（CBAM）進行細粒度的空間-通道特徵重標定。SAFM則用空間自適應、可學習的加權機制取代傳統的靜態跳躍連接，實現上下文感知的跨尺度特徵融合。實驗結果表明，SANet在多個基準數據集上優於現有方法，顯著提升了檢測魯棒性。該研究為紅外小目標檢測提供了新的思路，有望在實際系統中得到應用。