基于背景先验引导与视觉图注意力的红外弱小目标检测增强方法BPGA

本文推荐一种创新性红外弱小目标检测框架BPGA（Background Prior Guide and Vision Graph Attention），通过融合Mobile SAM大模型的场景理解能力（背景先验引导）与自注意力视觉图卷积模块（SA-Graph），在IRSTD-1k等4个数据集上实现SOTA性能。其突破性在于首次协同利用背景先验与局部对比模式，通过交叉注意力融合解决传统方法语义冲突问题。

　　

亮点

本文提出BPGA框架创新性引入两大机制：(1) 背景先验引导：利用Mobile SAM大模型的零样本场景理解能力抑制结构化背景杂波；(2) 视觉图卷积机制：通过SA-Graph模块自适应构建图像图结构，稳定获取弱小目标的稀疏特征。关键突破在于二者互补——Mobile SAM提供全局场景上下文，SA-Graph学习局部对比模式，再通过注意力融合模块避免语义冲突。

红外弱小目标检测的先验信息方法

基于技术路线可分为传统方法（如LCM、MPCM等模型驱动）与深度学习方法（如ACM、AGPCNet等数据驱动）。当前瓶颈在于多数方法孤立处理目标特征增强或背景建模，而人类视觉研究表明目标识别依赖对象特征与背景环境的协同。

框架概览

如图2所示，BPGA采用双分支架构：背景分支利用Mobile SAM提取环境先验（无需微调保留泛化能力），特征分支通过SA-Graph将图像块作为图节点，用自注意力动态建立关联。特别地，SA-Graph突破传统固定/KNN连接方式，专为稀疏红外目标特征设计。

数据集验证

在IRSTD-1k、Sirst AUG等涵盖云层/城市/海洋等典型场景的数据集测试中，BPGA对信噪比（SNR）<3dB的极弱目标仍保持>90%召回率，证明其环境适应性。

模型收敛性分析

图8显示，引入SAM先验的训练曲线收敛速度提升40%，验证其有效缓解红外数据稀缺导致的过拟合问题。消融实验表明，无SAM分支在验证集损失波动幅度达2.3倍。

结论

BPGA通过环境先验与图注意力的协同设计，在军事预警等场景实现像素级（<9×9）弱目标检测，为复杂背景下低信噪比目标识别提供新范式。