Triple-domain Feature Learning with Frequency-aware Memory Enhancement for Moving Infrared Small Target Detection

移动红外小目标的检测面临着巨大的挑战，因为目标尺寸很小，在背景中的对比度也很低。目前现有的方法主要集中在从时空域中提取目标特征。为了进一步增强特征表征，更多的信息域，如频率，被认为具有潜在的价值。为了扩展目标特征学习，我们提出了一种新的三域策略（Tridos），并在时空域中增强了频率感知记忆。在我们的方案中，我们通过带有傅里叶变换的局部-全局频率感知模块，有效地分离和增强频率特征。受人类视觉系统的启发，我们的记忆增强旨在捕捉视频帧之间的目标空间关系。此外，它通过差分学习和残差增强来编码时间动态运动特征。此外，我们还设计了一个残差补偿单元，以协调可能的跨域特征不匹配。据我们所知，我们的Tridos是第一个全面探索时空频域目标特征学习的工作。对三个数据集（DAUB、ITSDT-15K和IRDST）进行的广泛实验验证了我们的三域学习方案明显优于现有的最先进方法。源代码可在https://github.com/UESTC-nnLab/Tridos上获得。

论文旨在解决红外小目标检测中的挑战，包括目标尺寸小、低对比度等问题。同时，论文试图探索在空时域之外，引入频域信息对目标特征学习的影响。

论文提出了一种三域策略（Tridos）来增强目标特征表示，其中引入了一个局部-全局频率感知模块来有效分离和增强频率特征。此外，论文还设计了记忆增强和残差补偿单元来捕捉目标的时空动态特征，并解决跨域特征不匹配的问题。

论文通过在三个数据集上进行广泛的实验验证了Tridos的有效性，并证明其优于当前最先进的方法。论文提供了开源代码。

与该研究领域相关的最新研究包括：Infrared Small Target Detection Based on Multi-Feature Fusion and Spatial-Temporal Attention Mechanism，Infrared Small Target Detection Based on Deep Convolutional Neural Networks，Infrared Small Target Detection Based on Improved YOLOv3 Algorithm等。