Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better
La rivelazione di piccoli target a infrarossi (IRST) è impegnativa nel raggiungere prestazioni precise, robuste ed efficienti simultaneamente a causa di target estremamente deboli e forti interferenze. Gli attuali metodi basati sull’apprendimento tentano di sfruttare “maggiori” informazioni sia dai domini spaziali che da quelli temporali a breve termine, ma soffrono di prestazioni inaffidabili in condizioni complesse, incorrendo al contempo in ridondanza computazionale. In questo articolo, esploriamo le informazioni “più essenziali” da un dominio più cruciale per la rivelazione. Attraverso l’analisi teorica, riveliamo che la salienza temporale globale e le informazioni di correlazione nel profilo temporale dimostrano una significativa superiorità nel distinguere i segnali target da altri segnali. Per verificare se tale superiorità è preferenzialmente sfruttata da reti ben addestrate, abbiamo costruito il primo strumento di attribuzione delle previsioni in questo campo e verificato l’importanza delle informazioni sul profilo temporale. Ispirati dalle suddette conclusioni, abbiamo rimodellato il compito di rilevamento IRST come un compito di rilevamento di anomalie del segnale unidimensionale e proponiamo un’efficiente rete di probing temporale profonda (DeepPro) che esegue calcoli solo nella dimensione temporale per il rilevamento IRST. Abbiamo condotto ampi esperimenti per convalidare pienamente l’efficacia del nostro metodo. I risultati sperimentali sono entusiasmanti, poiché il nostro DeepPro supera i metodi di rilevamento IRST all’avanguardia esistenti su benchmark ampiamente utilizzati con un’efficienza estremamente elevata e ottiene un miglioramento significativo su target deboli e in scenari complessi. Forniamo un nuovo dominio di modellazione, una nuova visione, un nuovo metodo e nuove prestazioni, che possono promuovere lo sviluppo della rilevazione IRST. I codici sono disponibili all’indirizzo https://github.com/TinaLRJ/DeepPro.
Paper: ArXiv.org