SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection

单帧红外小目标（SIRST）检测旨在从杂乱背景中识别小目标。最近，卷积神经网络在一般物体检测方面取得了显著优势。随着Transformer的发展，SIRST模型的规模不断增加。由于训练样本有限，性能并没有相应提高。红外数据集的质量、数量和多样性对小目标检测至关重要。为了突出这个问题，本文提出了一种负样本增强方法。具体来说，我们提出了一种负样本增强方法，用于生成大量的负样本进行自监督学习。首先，我们使用序列噪声建模技术生成逼真的红外数据。其次，我们将提取的噪声与原始数据融合，以促进生成数据的多样性和保真性。最后，我们提出了一种负样本增强策略，以丰富多样性并保持语义不变性。所提出的算法产生了一个合成的SIRST-5K数据集，其中包含大量的伪数据和相应的标签。有了丰富多样的红外小目标数据，我们的算法显著提高了模型性能和收敛速度。与其他最先进的方法相比，我们的方法在检测概率（Pd）、误报率（Fa）和交并比（IoU）方面表现出色。

论文旨在解决单帧红外小目标检测中数据样本有限的问题，提出一种负样本增强方法。

论文提出了一种负样本增强方法，通过噪声建模和数据融合生成大量负样本，丰富了数据集的多样性和保持了语义不变性。

论文通过自监督学习生成了一个包含大量伪数据和标签的SIRST-5K数据集，并在此基础上进行了实验。实验结果表明，论文提出的方法在概率检测、虚警率和IoU等指标上都优于现有的SOTA方法。

近期的相关研究包括基于卷积神经网络的目标检测和基于Transformer的SIRST模型。