基于频域注意力与边缘增强的红外小目标检测网络OA

针对复杂背景下红外小目标检测面临的目标像素占比极低、特征表示微弱、背景干扰强等挑战,以及现有深度学习方法全局建模能力不足的局限,提出一种基于频域注意力与边缘增强的检测方法。通过分层双域学习模块(hierarchical dual-domain learning module,HDLM)学习频域与空间域特征,并利用注意力机制对2类特征进行动态加权,以增强网络对小目标的定位精度与抗干扰能力;同时设计边缘增强模块(edge enhancement module,EEM),用于细化小目标边缘特征,提升网络对目标边缘的感知能力。在公共数据集IRSTD-1k上的实验结果显示,相较于当前性能领先的MSHNet(multi-scale head to the plain U-Net),所提方法的交并比(intersection over union,IoU)提升2.15百分点、检测概率(probability of detection,Pd)提升1.19百分点、虚警率(false alarm rate,Fa)降低5.88×10-6,验证了该方法的优越性。