MSFFNet：面向红外弱小目标检测的多级稀疏特征融合网络创新研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：MSFFNet: A Multilevel Sparse Feature Fusion Network for Infrared Dim Small Target Detection

本文针对红外弱小目标特征稀疏导致深度学习检测性能受限的难题，提出了一种多级稀疏特征融合网络（MSFFNet）。研究通过特征级与决策级双路融合机制，结合深度联合监督训练策略，显著提升了复杂背景下目标的特征表达能力和检测置信度。实验表明，该方法在多个数据集上Pd（检测率）最高达0.98，Fa（虚警率）最低至0.07，优于现有主流方法，为军事预警、环境监测等应用提供了高效可靠的技术支撑。

　　

在军事侦察、导弹预警等关键领域，红外弱小目标（Infrared Dim Small Target, IDST）检测技术一直面临着严峻挑战。由于目标成像像素极少（通常不超过9×9像素），缺乏形状、纹理等显著特征，加之复杂背景（如云层、海面、建筑群）的干扰，传统检测方法往往难以兼顾检测率与虚警率的平衡。更棘手的是，深度学习模型在提取此类稀疏特征时，容易因卷积池化操作导致关键信息丢失，陷入“深网络反而漏小目标”的困境。

为解决这一难题，郑州大学等单位的研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了题为“MSFFNet: A Multilevel Sparse Feature Fusion Network for Infrared Dim Small Target Detection”的论文，提出了一种创新的多级稀疏特征融合网络。该网络通过特征级与决策级双路融合机制，结合深度联合监督训练策略，显著提升了目标的特征表达能力和检测置信度。

研究团队采用的核心技术方法包括：1）构建预决策网络（PD-Net）实现同层级多深度特征融合，引入空洞卷积扩大感受野；2）设计终决策网络（FD-Net）通过编码-解码结构融合全局特征，增强决策可信度；3）提出深度联合监督训练策略，对网络各阶段输出进行联合约束。实验基于TDSATUA、SIRST和SID三个数据集，与LIG、IPI、MDvsFA等7种主流方法对比验证。

模型结构设计有效性验证

通过替换普通卷积与上采样操作的对比实验表明，MSFFNet的特征提取与映射模块将检测率（Pd）从0.49提升至0.97，虚警率（Fa）从2.45降至0.35。消融实验进一步证实，移除预决策网络会导致目标特征表达弱化（Pd=0.59，Fa=4.36），而移除终决策网络则使背景杂波抑制能力下降（Pd=0.79，Fa=2.17）。

多数据集性能对比

在TDSATUA数据集上，MSFFNet的Pd达0.97，Fa仅0.07，Recall（召回率）和F1分数分别为0.94和0.95，均优于对比方法。如图10所示，该方法在天空、地面等复杂场景中均能准确锁定目标，且背景抑制效果显著。

对于SIRST数据集，MSFFNet在目标形状描述方面表现优异（图12-13），Pd提升至0.98，Fa降至1.12。特别在多重目标检测任务中（图15-17），该方法展现出鲁棒性，Pd达0.96，Fa为2.39，显著优于DNA-net（Pd=0.91，Fa=4.25）等算法。

模型轻量化优势

MSFFNet的模型大小仅0.87MB，远小于MDvsFA（45.01MB）和DNA-net（33.89MB），却实现了最高检测精度（Pd=0.96）。这种“小模型大性能”的特点使其更适合实际部署。

研究结论表明，MSFFNet通过多级稀疏特征融合机制，有效解决了红外弱小目标特征稀疏导致的检测难题。该方法在保持轻量化的同时，显著提升了复杂背景下的检测鲁棒性，为军事预警、环境监测等应用提供了新思路。未来工作将聚焦于开放场景下的适应性优化，进一步拓展其应用边界。