Die Infrarot-Kleinziel-Erkennung (IRSTD) zielt darauf ab, kleine Ziele aus dem Infrarot-Clutter-Hintergrund zu segmentieren. Bestehende Methoden konzentrieren sich hauptsächlich auf diskriminative Ansätze, d.h. eine binäre Vorder-/Hintergrundsegementation auf Pixelebene. Da Infrarot-Kleinziele klein und mit einem geringen Signal-Clutter-Verhältnis sind, gibt es nur wenige Störungen des empirischen Risikos, wenn eine bestimmte Fehlalarm- und Nichterkennungsrate vorliegt, was die weitere Verbesserung solcher Methoden ernsthaft beeinträchtigt.
Motiviert durch die generativen Methoden der dichten Vorhersage schlagen wir in dieser Arbeit einen Diffusionsmodellrahmen für die Infrarot-Kleinziel-Erkennung vor, der die diskriminative Pixelebene durch die Modellierung der Maskenposteriorverteilung ergänzt. Darüber hinaus entwerfen wir eine Niederfrequenz-Isolierung im Wavelet-Bereich, um die Störung des inneren Infrarauschs auf die Diffusionsrauschschätzung zu unterdrücken. Dieser Übergang vom diskriminativen Paradigma zum generativen ermöglicht es uns, die Zielempfindlichkeit zu umgehen.
Die Experimente zeigen, dass die vorgeschlagene Methode gegenüber den state-of-the-art-Methoden auf den Datensätzen NUAA-SIRST, IRSTD-1k und NUDT-SIRST wettbewerbsfähige Leistungsverbesserungen erzielt.
Til et annet språk
fra kildeinnhold
arxiv.org
Viktige innsikter hentet fra
by Haoqing Li,J... klokken arxiv.org 03-14-2024
https://arxiv.org/pdf/2403.08380.pdfDypere Spørsmål