Einstufige Cascade-Refinement-Netzwerke zur Erkennung von kleinen Infrarot-Zielen

Die Einzelrahmen-Infrarot-Kleinzielerkennung (SIRST) ist aufgrund fehlender inhärenter Merkmale, ungenauer Begrenzungsrahmenregression, einer Knappheit an realen Datensätzen und einer sensiblen Lokalisierungsevaluierung eine herausfordernde Aufgabe. In diesem Artikel schlagen wir eine umfassende Lösung für diese Herausforderungen vor. Zunächst stellen wir fest, dass die bestehende ankerfreie Labelzuweisung anfällig für Fehlklassifizierungen kleiner Ziele als Hintergrund ist, was zu deren Auslassung durch die Detektoren führt. Um dieses Problem zu überwinden, schlagen wir ein skalenunabhängiges Pseudobox-basierte Labelzuweisungsschema vor, das die Einschränkungen bezüglich der Skala lockert und die räumliche Zuweisung von der Größe des tatsächlichen Ziels entkoppelt. Zweitens, motiviert durch das strukturierte Vorwissen der Merkmals-Pyramiden, führen wir das einstufige Cascade-Refinement-Netzwerk (OSCAR) ein, das den hochrangigen Kopf als weiche Vorschläge für den niederrangigen Verfeinerungskopf nutzt. Dies ermöglicht es OSCAR, dasselbe Ziel in einem kaskadierenden Grob-zu-fein-Verfahren zu verarbeiten. Schließlich präsentieren wir einen neuen Forschungsbenchmark für die Infrarot-Kleinzielerkennung, der aus dem SIRST-V2-Datensatz bestehender realer, hochauflösender Einzelrahmen-Ziele, der normalisierten Kontrastevaluierung und dem DeepInfrared-Toolkit zur Erkennung besteht. Wir führen umfassende Ablationsstudien durch, um die Komponenten von OSCAR zu bewerten und vergleichen seine Leistung mit moderner Modell- und datengestützter Methoden auf dem SIRST-V2-Benchmark. Unsere Ergebnisse zeigen, dass ein kaskadierendes Verfeinerungsframework von oben nach unten die Genauigkeit der Infrarot-Kleinzielerkennung verbessern kann, ohne die Effizienz zu opfern. Das DeepInfrared-Toolkit, der Datensatz und die trainierten Modelle sind unter https://github.com/YimianDai/open-deepinfrared verfügbar.