RepISD-Net: Lernen eines effizienten Netzwerks zur Erkennung von infraroten Kleinziele mittels struktureller Reparametrierung

Die Erkennung von infraroten KleinZielen ist eine herausfordernde Aufgabe für auf Deep Learning basierende Methoden, da Ziele in den tiefen Schichten dazu neigen, zu verschwinden. Um dieses Problem zu bewältigen, wenden bestehende tiefe neuronale Netzwerke normalerweise verschiedene dichte und Sprungverbindungen zur Merkmalsbewahrung an. Obwohl diese gut gestalteten Netzwerke eine gute Erkennungsleistung erzielt haben, reduzieren die komplexen Netzwerkstrukturen deren Effizienz. In diesem Papier schlagen wir ein einfaches, aber effizientes Netzwerk (RepISD-Net) zur Erkennung von infraroten KleinZielen vor. Der Kern unseres RepISD-Net besteht darin, unterschiedliche Netzwerkarchitekturen, jedoch äquivalente Modellparameter für das Training und die Inferenz zu verwenden. Speziell in der Trainingsphase entwerfen wir einen parallelen Mehrzweig-Kantenkompensationsblock (ECB), um die lokalen hervorstechenden Merkmale zu verstärken und die feinere Konturcharakteristik von infraroten KleinZielen zu erfassen. In der Inferenzphase werden die Mehrzweigtopologien in einen einzigen Zweig mit nur kaskadierten 3×3-Faltungsschichten zur schnellen Inferenz zusammengeführt. Wir führen umfangreiche Experimente an mehreren öffentlichen Datensätzen durch, um die Effektivität unserer Methode zu validieren. Die experimentellen Ergebnisse zeigen, dass unser RepISD-Net vergleichbare oder sogar bessere Erkennungsleistungen mit signifikanter Beschleunigung der Inferenzgeschwindigkeit im Vergleich zu den neuesten Methoden zur Erkennung infraroter KleinZiele erreichen kann. Der Code wird zur Überprüfung eingereicht und nach der Annahme veröffentlicht.