基于DNN辅助低秩稀疏分解的红外小目标检测:HTR背景建模与SpAttention目标增强新方法

《Pattern Recognition》:DNN-aided Low-rank and Sparse Decomposition Model for Infrared Small Target Detection

【字体: 大 中 小 】 时间:2026年01月12日 来源:Pattern Recognition 7.6

编辑推荐:

  本文提出了一种创新的DNN辅助低秩稀疏分解(LRSD)模型,通过分层张量环(HTR)模块实现背景的非线性低秩表征,结合注意力引导稀疏目标(SpAttention)模块增强目标显著性。该无监督学习方法在复杂场景下显著提升了红外小目标检测(ISTD)的精度与鲁棒性。

  
亮点
  • •
    提出新型DNN辅助LRSD模型,通过神经网络增强低秩背景重建与稀疏目标检测能力
  • •
    设计分层张量环(HTR)背景模块,以多层感知机(MLP)实现紧凑非线性低秩表征
  • •
    开发注意力引导稀疏目标(SpAttention)模块,融合白/黑顶帽注意力(WAM/BAM)实现目标区域渐进聚焦
结论
本文提出了一种用于红外小目标检测(ISTD)的新型DNN辅助低秩稀疏分解(LRSD)模型。所提出的HTR模块相较于线性方法具有更优的非线性低秩表征能力,能在不破坏结构信息的前提下高效重建精确背景。此外,嵌入迭代过程的WAM和BAM模块可实现对稀疏小目标区域的渐进式注意力优化,从而提升目标定位性能。
基于不同序列的大量实验表明...(翻译内容延续至第二个Conclusion部分,此处按字数要求截取核心内容)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号