HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection

红外小物体检测是一项重要的计算机视觉任务，涉及在红外图像中识别和定位通常只包含几个像素的微小物体，但由于物体尺寸小和红外图像通常具有复杂的背景，因此遇到了困难。本文提出了一种深度学习方法HCF-Net，通过多个实用模块显著提高了红外小物体检测性能。具体来说，它包括并行化的补丁感知注意（PPA）模块、维度感知选择集成（DASI）模块和多扩张通道细化器（MDCR）模块。PPA模块使用多分支特征提取策略捕获不同尺度和级别的特征信息。DASI模块实现了自适应通道选择和融合。MDCR模块通过多个深度可分离卷积层捕获不同感受野范围的空间特征。在SIRST红外单帧图像数据集上的广泛实验结果表明，所提出的HCF-Net表现良好，超过了其他传统和深度学习模型。代码可在https://github.com/zhengshuchen/HCFNet上获得。

该论文旨在解决红外小目标检测的问题，即在红外图像中识别和定位仅包含少数像素的微小目标，由于目标的微小尺寸和通常复杂的背景，该任务面临困难。

论文提出了一种名为HCF-Net的深度学习方法，通过多个实用模块显着提高了红外小目标检测性能。具体来说，它包括并行化的补丁感知注意力（PPA）模块，维度感知选择性集成（DASI）模块和多扩张通道细化器（MDCR）模块。

该论文的亮点包括PPA模块、DASI模块和MDCR模块，实验结果表明，HCF-Net表现良好，超过了其他传统和深度学习模型。数据集为SIRST红外单帧图像数据集，代码已在github上公开。

近期在这个领域的相关研究包括：《A Review of Infrared Small Target Detection Algorithms》、《Infrared Small Target Detection Based on Multiple Features and Deep Learning》等。