Local Contrast and Global Contextual Information Make Infrared Small Object Salient Again

要約

赤外線小型物体検出 (ISOS) は、赤外線画像の乱雑な背景から、数ピクセルだけで覆われた小さな物体をセグメント化することを目的としています。
次の理由により、大きな課題となっています。
2) 小さなオブジェクトは、検出モデル、たとえばディープ ニューラル ネットワークが、連続するダウンサンプリングを通じて高レベルの意味的特徴と画像レベルの受容野を取得するプロセスで簡単に失われます。
このホワイト ペーパーでは、2 つの問題を適切に処理できる、UCFNet と呼ばれる ISOS の信頼性の高い検出モデルを提案します。
これは、中心差分畳み込み (CDC) と高速フーリエ畳み込み (FFC) に基づいています。
一方では、CDC は、小さなオブジェクトと背景の間のコントラスト情報を学習するようにネットワークを効果的に導くことができます。コントラスト情報は、ISOS タスクを処理する人間の視覚システムにとって非常に重要であるためです。
一方、FFC は画像レベルの受容野を取得し、小さなオブジェクトが圧倒されるのを防ぎながら、グローバルな情報を抽出できます。
より良い ISOS ディープ モデルを設計するための有用なガイドライン。
コードは https://github.com/wcyjerry/BasicISOS で入手できます。

要約(オリジナル)

Infrared small object detection (ISOS) aims to segment small objects only covered with several pixels from clutter background in infrared images. It’s of great challenge due to: 1) small objects lack of sufficient intensity, shape and texture information; 2) small objects are easily lost in the process where detection models, say deep neural networks, obtain high-level semantic features and image-level receptive fields through successive downsampling. This paper proposes a reliable detection model for ISOS, dubbed UCFNet, which can handle well the two issues. It builds upon central difference convolution (CDC) and fast Fourier convolution (FFC). On one hand, CDC can effectively guide the network to learn the contrast information between small objects and the background, as the contrast information is very essential in human visual system dealing with the ISOS task. On the other hand, FFC can gain image-level receptive fields and extract global information while preventing small objects from being overwhelmed.Experiments on several public datasets demonstrate that our method significantly outperforms the state-of-the-art ISOS models, and can provide useful guidelines for designing better ISOS deep models. Code are available at https://github.com/wcyjerry/BasicISOS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google