基于深度分割模型的小目标检测

胡世根， 方 松， 卢金仪， 颜露新， 钟 胜， 邹 旭*

(1.华中科技大学 人工智能与自动化学院，湖北 武汉 430074； 2.华中科技大学 多谱信息处理技术国家级重点实验室，湖北 武汉 430074)

小目标检测广泛应用于公共安全、道路交通、视频监控等领域，同时，在面向特定需求的任务中，更精确的小目标检测意味着能够为后续的识别、跟踪等任务提供更有力的支撑，具有非常重要的应用价值，因此准确、快速、稳定的小目标检测十分重要。关于小目标的定义，目前还没有统一的标准，一般情况下，将成像距离较远、在图像上往往小至几十个甚至几个像素，显示为点状并且具有低对比度和信杂比的目标称为小目标[1]。

红外成像情况下，场景中目标物体的红外辐射较强，从而在图像中形成局部显著区域，根据这一特征，许多研究人员通过搜索图像极值来检测目标[4]。Tom等[5]提出了著名的Top-Hat 算子，通过开运算消除图像中的高频信息，然后利用其与原始图像的差异来检测目标。此外，受生物视觉的启发，Wei等[6]提出了一种基于多尺度区域对比度算子(MPCM)的红外小目标检测方法，使用简单的自适应阈值即可实现小目标分割。张腾[7]将尺度估计算法与MPCM算法中的PCM滤波相结合，提出尺度自适应的红外弱小目标检测算法SPCM。依据维恩位移定律，不同温度的物体的辐射通量密度对应不同的探测峰值波长，不同波段的成像图像记录了目标多样化的辐射特性，充分利用多波段成像探测信息能更加有效地提升小目标检测的准确性。……