CWLE-Net:基于跨层次小波结构洛伦兹嵌入的红外小目标检测

《Pattern Recognition》:CWLE-Net: Infrared small target detection via Cross-Level Wavelet-Structured Lorentz Embedding

【字体: 大 中 小 】 时间:2026年09月19日 来源:Pattern Recognition 9.1

编辑推荐:

   • 提出带有结构化小波特征和洛伦兹嵌入的CWLE-Net,用于红外小目标检测(IRSTD)。• 跨层级低频小波线索补偿弱目标响应。• 洛伦兹嵌入通过建模分层线索实现目标-背景区分。• Mamba洛伦兹模块结合显著性增强的跳跃融合捕获上下文信息。• 在三个IRSTD数据集上的实

  

• 提出带有结构化小波特征和洛伦兹嵌入的CWLE-Net,用于红外小目标检测(IRSTD)。• 跨层级低频小波线索补偿弱目标响应。• 洛伦兹嵌入通过建模分层线索实现目标-背景区分。• Mamba洛伦兹模块结合显著性增强的跳跃融合捕获上下文信息。• 在三个IRSTD数据集上的实验表明,该模型以0.800M参数量实现了优越的精度。

引言

红外小目标检测(IRSTD)是远距离红外感知的基础任务,已在红外监控和遥感应用中得到了广泛研究[1], [2]。其重要性源于红外成像捕获的是热辐射而非反射可见光,从而能够在恶劣光照和复杂天气条件下实现稳健观测。然而,红外目标通常表现为像素数量少、对比度低且结构信息有限的微小区域[3], [4],而云边、海杂波等背景结构可能与真实目标相似。这些因素使IRSTD成为一个长期关注的研究课题。

早期的IRSTD研究主要遵循模型驱动的流程,利用手工设计的先验来增强目标响应。代表性方法包括通过局部强度差异和空间滤波器增强目标可见性的技术[5], [6]、受人类视觉系统启发并利用对比度敏感度和注意机制的方法[7], [8],以及将背景和目标成分分离以从杂波中隔离弱目标的低秩稀疏分解模型[9], [10]。这些方法依赖于目标-背景对比度、感知显著性和背景成分的低秩性等假设,具有可解释性。然而,其性能严重依赖于手动设计的规则和理想化假设,在复杂背景场景下可靠性不足。

为缓解这些局限性,近期的深度展开方法成为结合模型驱动先验的可解释性与数据驱动学习的灵活性的一种有前景的方向。具体来说,它们将稀疏和低秩优化过程展开为可训练的网络,将传统先验集成到IRSTD模型中[1], [11], [12], [13], [14]。与此同时,分层编码器-解码器网络已被广泛应用于增强IRSTD中的多级特征表示,因为浅层能够保留与目标相关的精细空间细节,而深层则为背景理解提供更广泛的语义上下文[15], [16]。然而,红外目标的响应通常有限,而反复的下采样进一步降低了空间分辨率并加剧了精细目标线索的损失。因此,目标信号在高层表示中容易被更强的背景响应所淹没,使得解码器中的精确特征恢复更加困难[17], [18], [19]。为克服这一问题,近期方法复用了来自不同网络阶段的中间特征以增强弱目标表示。代表性策略包括跳跃连接[3], [20],即将编码器的特征传递到解码器的对应阶段,以及多尺度融合设计[21], [22],即整合来自不同空间分辨率的特征金字塔表示。这些策略促进了不同层级之间空间细节与语义上下文的交互,使目标线索能够补偿深层中弱响应的衰减。然而,直接的特征补充也可能携带由背景杂波引起的响应,从而增加虚警风险。这表明跨层级补偿应区分可靠的目标支撑结构与对杂波敏感的细节,而不是简单地聚合来自不同阶段的特征。

近年来,频域信息越来越多地被用于IRSTD研究,因为它为分析弱目标响应和背景变化提供了互补视角。现有的频域方法主要利用频谱先验来增强目标细节或抑制杂波。例如,DWTFreqNet [18]、WMRNet [23]、NS-FPN [24]和WaveTD [25]引入频域或小波表示来改善目标感知和噪声抑制。MSDA-Net [22]进一步注入了从Haar小波算子派生的高频方向信息,以增强目标局部结构细节。这些研究证明了频域先验对IRSTD的有效性。

然而,不同的频率分量在跨层级特征补偿中发挥着不同的作用。如图1所示,低频分量保留了场景的主导空间布局和稳定的区域结构,为目标定位提供了粗略但可靠的线索。相比之下,高频分量包含与目标边界和局部结构相关的有用方向细节,但它们对背景边缘、突变的强度变化和杂波模式也更加敏感。因此,直接跨层引入所有频率分量可能带来冗余或对杂波敏感的响应。与MSDA-Net不同——后者通过从输入图像注入高频方向信息来增强局部细节,并全面聚合多阶段编码器特征来补充高层表示——我们的工作从一个不同的视角聚焦于跨层级目标补偿。具体而言,我们利用浅层低频分量作为可靠的结构线索来补偿被削弱的目标表示,同时保留选定的深层频率分量以提供语义和方向信息。基于对频率分量的选择性使用,我们提出了跨层级小波结构洛伦兹嵌入(CWLE)方法,用于结构化特征聚合。

具体而言,CWLE选择性地引入浅层低频线索,为目标补偿提供可靠的布局信息,并避免早期表示中的高频干扰。为了进一步组织聚合后的表示,洛伦兹嵌入调制(LEM)将浅层表示和选定的深层频率特征映射到洛伦兹空间[26], [27]。选定的深层特征来自最后一个编码器特征,通过排除对噪声敏感的沿对角线的高频子带来获得,使剩余子带能够保留更丰富的语义信息,并在非欧几里得几何下与可靠的浅层目标线索交互。这种非欧几里得建模通过扩展跨层级特征之间的几何距离来促进分层组织,使浅层的稀疏目标线索能够保持可感知,而不是被深层的背景语义所淹没。我们进一步开发了Mamba洛伦兹模块(LMB)作为编码器和解码器的基本单元。与主要关注局部感受域的卷积操作不同,LMB利用Mamba的序列建模能力[28], [29]来捕获特征标记之间的长程依赖关系。同时,LEM也被整合到每个模块中以在波域执行调制,从而在模块级别增强特征表示。此外,我们引入了显著性增强跳跃融合(SESF)模块来细化与目标相关的跳跃特征并增强目标线索。在三个公开数据集上的实验表明,CWLE-Net在保持相对较低的模型复杂度的同时实现了优越的检测精度。

主要贡献总结如下:

1. 我们提出了一种用于IRSTD的CWLE方法,该方法选择性地聚合可靠的分层低频分量以补偿被削弱的目标响应,同时减少杂波传播。基于此机制,我们进一步开发了CWLE-Net作为紧凑高效的检测网络。

2. 我们引入LEM将分层小波表示嵌入到洛伦兹空间中,其非欧几里得几何增强了跨层级特征关系并改善了目标-背景区分能力。

3. 我们进一步开发了LMB作为编码器-解码器结构的核心模块,利用Mamba进行上下文建模,利用LEM进行特征细化,并引入SESF模块以输入显著性线索补充跳跃特征,增强目标响应。

4. 在多个公开IRSTD基准上的大量实验表明,CWLE-Net在检测性能和计算成本之间实现了有利的平衡,取得了优越的结果。

章节摘要

相关工作

本节回顾了与我们工作相关的三个研究脉络,包括IRSTD、基于小波的特征学习和双曲表示学习。

预备知识

本节简要介绍我们方法中使用的两个基本工具,包括基于Haar的小波分解和洛伦兹空间建模。

方法论

本节详细介绍了提出的CWLE-Net,包括整体架构、跨层级小波结构洛伦兹嵌入(CWLE)、Mamba洛伦兹模块(LMB)以及显著性增强跳跃融合(SESF)模块。

数据集、对比方法和评价指标

实验在三个公开IRSTD数据集上进行,即NUDT-SIRST [17]、SIRST [3]和IRSTD-1K [38],遵循其原始的训练-测试划分且不对图像进行缩放。具体而言,NUDT-SIRST包含1327张分辨率为256×256的图像,SIRST包含427张户外红外图像,IRSTD-1K由1001张分辨率为512×512的图像组成。

我们将CWLE-Net与19种代表性IRSTD方法进行比较,涵盖6种模型驱动方法,即ToP-Hat [6]、IPI [9]、PSTNN [39]

结论

在本工作中,我们提出了用于红外小目标检测(IRSTD)的CWLE-Net,其目标是在增强弱目标表示的同时减少背景引起的虚警。CWLE不依赖无差别的跨层级聚合,而是选择性地整合分层低频分量,为被削弱的目标响应提供稳定的结构补偿。通过将小波结构表示嵌入到洛伦兹空间中,LEM进一步增强分层特征

作者贡献声明

邓尚威:撰写-审稿与编辑、方法论、调查研究、概念设计。徐阳:验证、概念设计。邓尚齐:撰写-审稿与编辑。马千文:方法论、概念设计。胡浩丰:撰写-审稿与编辑。李晓波:撰写-审稿与编辑、监督、方法论、资金获取。

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争财务利益或个人关系。

致谢

本工作得到国家自然科学基金(编号:62475190)、江

西省先进电子材料与器件重点实验室开放基金(2024KFJJ02)、天津市科技计划(编号:25JCJQJC00190和23YFZCSN00230)以及中国科学院青年科技人才培养计划博士研究生项目的支持。

邓尚威|徐阳|邓尚齐|马千文|胡浩丰|李晓波
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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