Deformable Feature Alignment and Refinement for Moving Infrared Dim-small Target Detection

目前，检测移动红外微小目标是一个具有挑战性和普遍性的研究课题。现有的最先进方法主要基于ConvLSTM，从相邻帧聚合信息以促进当前帧的检测。然而，这些方法仅在训练阶段隐式利用运动信息，未能明确探索运动补偿，在包含大运动的视频序列中表现不佳。本文提出了一种基于可变形卷积的可变形特征对齐和细化（DFAR）方法，以在训练和推理阶段明确利用运动上下文。具体而言，我们开发了一个基于设计的扩张卷积注意融合（DCAF）块的时间可变形对齐（TDA）模块，以在特征级别明确对齐相邻帧和当前帧。然后，特征细化模块通过提出的注意力引导的可变形融合（AGDF）块自适应地融合对齐特征，并进一步聚合有用的时空信息。此外，为了改善相邻帧与当前帧的对齐，我们通过引入新的运动补偿损失扩展了传统的损失函数。广泛的实验结果表明，所提出的DFAR方法在包括DAUB和IRDST在内的两个基准数据集上实现了最先进的性能。

该论文旨在解决红外小目标检测中大运动情况下性能不佳的问题，提出了一种基于可变形卷积的Deformable Feature Alignment and Refinement (DFAR)方法，旨在显式地利用运动上下文来提高检测性能。

DFAR方法通过Temporal Deformable Alignment (TDA)模块和Attention-guided Deformable Fusion (AGDF)模块显式地利用运动上下文，以提高检测性能。此外，引入新的运动补偿损失函数来进一步提高对当前帧的对齐。

论文在DAUB和IRDST两个基准数据集上进行了广泛的实验，证明了DFAR方法在红外小目标检测中的卓越表现。此外，论文还提供了开源代码。

当前领域中的主流方法主要基于ConvLSTM来聚合相邻帧的信息，而DFAR方法则显式地利用了运动上下文，与当前研究状态有所不同。