红外小目标：基于深度学习的红外小目标检测研究方法(持续更新中)

1. TBC-Net（TBC-Net: A real-time detector for infrared small target detection using semantic constraint） link
   TBC-net分为目标特征提取模块TEM和语义约束模块SCM，分别用于从红外图像中提取小目标和对训练过程中提取的目标图像进行分类。
   TEM模块进行目标提取，TEM模块为轻量级的图像分割网络，利用模块压缩算法实现了上采用和下采样，形成了编解码结构。
   
   SCM模块对提取的小目标进行分类级别的约束，由于红外小目标没有形状和类别的语义信息，这篇文章利用小目标的数量对目标进行约束。
   此外，这篇文章还利用了合成的数据，通过在背景图像上添加目标信息并加入图像的高层语义约束信息，解决了小目标图像中前景与背景极不平衡的问题。

2. MD vs. FA-cGAN（Miss Detection vs. False Alarm Adversarial Learning for Small Object） link
   利用对抗生成网络，对漏检和虚警进行平衡。该网络有两个生成器和一个鉴别器。
   
   G1负责降低漏检率，G2负责降低虚警率。
   在测试时，两个生成器生成结果的平均值为最终的分割结果。

2020年
3. CDME（Infrared Dim and Small Target Detection Based on Denoising Autoencoder Network） link
将小目标当作是噪声，使用去噪自编码器进行小目标检测。首先将仿真的红外小目标叠加到红外背景中作为网络输入，然后利用该网络进行去噪处理得到干净的背景图像，最后将输出图像减去干净的背景图像得到最终的小目标检测结果。

4. IRSTD-GAN（A Novel Pattern for Infrared Small Target Detection With Generative Adversarial Network） link
这篇文章的作者认为红外小目标是一种特殊的噪声，可以根据GAN学习到的数据分布和层次特征从输入图像中预测出红外小目标。利用基于对抗生成网络的图像-图像风格转换的思想，借助U-Net网络，生成假的仅含目标图像，并和真实的目标图像进行判别，提高网络的检测能力。
此外这篇文章把IOU作为一个重要的评价指标，更能够说明检测到目标的大小和位置与真实目标差距。

2021年
ALCNet（Attentional Local Contrast Networks for Infrared
Small Target Detection）link
发表于TGRS
本文所提出的方法利用了标记数据和小目标先验知识。主要贡献在于：

1. 提出了一个单帧红外小目标数据集“SIRST”
2. 提出一个结合模型驱动和数据驱动的端到端检测方法，能够解决红外小目标缺少固定特征的问题：backbone网络提取图像的高层语义特征；模型驱动的编码器学习局部对比度特征。

其中MLC为multi-scale local contrast多尺度对比度
BLAM为bottom-up local attentional feature modulation自底向上的局部注意特征调制，该模块将低级特征的较小规模的细微细节编码为更深层次的高级特征。

版权声明：本文为CSDN博主「努力学习的岑岑」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lfcgimini/article/details/109177200