.png){kind=icon}
返回
A High-Quality Data Augmentation Method for Infrared Small Target Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2026.3657780.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据稀缺仍然是限制红外小目标检测（IRSTD）性能的关键瓶颈。特别是在低空经济快速发展的背景下，IRSTD面临着对样本的大量且多样化的需求。一些研究人员尝试使用生成对抗网络（GANs）从丰富的可见光图像中生成各种场景的红外数据。然而，他们通常忽略了不同模态图像之间的差异，从而失去了真实性和可用性。为解决这些问题，我们提出了一种高质量数据增强（HQDA）方法，该方法通过利用红外图像的内在特性来达到更好的性能。具体而言，我们首先提出了一种一致性约束的背景生成方法，用于从可见光图像中生成高质量的红外背景。该方法创新性地将红外图像的非局部自相关性引入GAN中，以增强生成数据的真实性。然后，为了在目标增强过程中更好地保持真实分布，我们提出了一种基于鲁棒随机游走（RW）的新型目标提取方法。与现有方法相比，它能够自动且准确地提取目标的像素级强度和空间分布。最后，我们提出了一种分布自适应图像合成（DAIS）方法，该方法能够更准确地模拟真实场景中的数据分布，并进一步增强数据增强能力。广泛的实验结果表明，所提出的方法能够在不增加真实样本的情况下有效提升检测性能，尤其是在未见过的多样化场景中。
Keyword:
Data augmentation
generative adversarial network (GAN)
high-quality
infrared small target detection (IRSTD)
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
DMFNet: Dual-Encoder Multistage Feature Fusion Network for Infrared Small Target DetectionDMFNet: 双编码器多级特征融合红外小目标检测网络
PREAI
分享收藏分享收藏
查看更多内容