基於選擇性注意網路的魯棒紅外小目標檢測

紅外小目標檢測（IRSTD）在海上監視、軍事搜尋救援、早期預警和精確制導等關鍵任務中扮演著核心角色。這些應用需要從高度雜亂的紅外背景中準確識別暗淡、甚至亞畫素級的目標。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畫素，訊號與雜波比低，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：早期卷積階段的資訊瓶頸削弱了細粒度目標感知，而靜態的跳躍連線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路（SANet），它建立在經典U-Net框架之上，並引入了兩個創新元件：雙路徑語義感知模組（DSM）和選擇性注意融合模組（SAFM）。DSM模組結合標準卷積以保留區域性空間細節，同時採用pinwheel形狀卷積擴充套件方向敏感的感知視野，並透過卷積塊注意模組（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線，實現上下文感知的跨尺度特徵融合。實驗結果表明，SANet在多個基準資料集上優於現有方法，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。