摘要：针对单帧红外小目标检测中存在的两个固有问题：1）小目标缺乏颜色、纹理和形状等局部信息；2）在检测模型通过连续下采样获取高级语义信息和全局感受野的过程中，小目标极易丢失。提出了一种准确、快速的双域和全局上下文特征提取网络(Double-Domain and Global Context Feature Extraction Network，DDGC-FENet)。该模型包括双域特征提取模块和全局上下文特征提取模块。双域特征提取模块同时在空间域和频域学习小目标与背景的局部对比信息，以此将目标与背景分离开来。全局上下文提取模块可以对经多次下采样的特征图进行全局建模，以提取全局上下文，防止目标特征在网络深层丢失。此外，模型还使用双向注意力融合模块从行和列两个方向融合低级与高级特征。在多个公开数据集上进行实验，结果表明，所提方法在mIoU、nIoU和F1指标上明显优于AGPCNet、DNANet、ISNet等目前最先进的方法。
文章目录
1 基于DDGC-FENet的红外小目标检测
1.1 DDGC-FENet架构
1.2 双域特征提取模块
1.2.1 中心差分卷积
1.2.2 快速傅里叶卷积
1.3 全局上下文特征提取模块
1.4 双向注意力融合模块
2 实验
2.1 数据集与评价指标
2.2 实验环境与实施细节
2.3 实验结果与分析
2.4 性能分析
2.5 消融实验
3 结 论
