基于位置引导的红外弱小目标检测网络PGNet：多尺度特征融合与上下文增强策略研究

本文提出新型位置引导网络PGNet，通过上下文信息增强模块（CIEM）融合多尺度感受野特征，结合定位模块（LM）实现像素级目标预定位，并利用跨层级特征整合模块（CFIM）建立双向交互机制。在SIRST、NUDT-SIRST等数据集上的实验表明，该模型能有效提升复杂背景下红外弱小目标（IRSTD）的信噪比（SNR）与边缘检测精度，为军事侦察、环境监测等应用提供技术支撑。

　　

亮点

• 我们提出CIEM模块，通过扩展特征感受野有效融合目标的局部纹理与全局语义信息，为复杂背景下的弱小目标检测提供更丰富的上下文表征。

• 我们设计LM模块，通过融合高层语义特征与底层细节特征实现目标的初步定位与区域划分，显著提升检测效率与定位鲁棒性。

• 我们开发CFIM模块，通过跨层级特征解耦与重校准机制实现底层细节特征与高层语义信息的互补融合，从而显著提升特征表征能力与检测精度。

• 我们构建端到端检测网络PGNet，通过多尺度特征融合与动态特征交互机制，在强背景干扰、目标尺度变化等挑战性场景中展现出卓越鲁棒性。

结论

本文提出名为PGNet的新型深度学习框架，旨在解决红外弱小目标检测（IRSTD）领域中定位不准与边缘模糊两大核心挑战。具体实现依赖于我们设计的三个关键模块的协同作用：首先，CIEM通过多尺度感受野生成富含上下文信息的特征表征，为多样化目标的精准识别奠定基础；随后，LM作为显式空间导航器，通过融合多层次特征生成目标区域的粗粒度空间先验；最终，CFIM通过自上而下的渐进式特征聚合策略，实现跨层级语义与细节信息的高效整合。在SIRST、NUDT-SIRST等公开数据集上的实验表明，PGNet在复杂背景干扰、低信噪比（SNR）等极端条件下仍能保持稳定的检测性能，其创新性的模块化设计为红外弱小目标检测领域提供了新的技术范式。

作者贡献声明

李博元：原始稿件撰写、可视化、验证、软件、方法论、数据整理。

任子通：稿件审阅与编辑、验证、软件。

郝胜斌：可视化、验证。

Kurban Ubul：原始稿件撰写、监督、项目管理。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文报告的研究成果。

致谢

本研究得到天山科技创新领军人才计划（编号2023TSYCLJ0025）和国家自然科学基金（编号62266044）的资助。