风车卷积-Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection(PConv)

微小目标检测

1. 解决了什么问题
   论文主要解决了以下两个问题：
   红外小目标检测的特征提取问题：现有基于标准卷积的红外小目标检测方法未能充分考虑红外小目标的像素分布特性（如高斯分布特性），导致特征提取能力不足，尤其是在处理弱小目标时表现不佳。
   损失函数的动态调整问题：现有损失函数未能充分考虑不同目标尺度下尺度损失（Scale Loss）和位置损失（Location Loss）的敏感性差异，导致模型在处理不同尺度目标时的检测性能受限。
2. 采用了什么方法
   论文提出了以下两种方法来解决上述问题：
   风车卷积（Pinwheel-shaped Convolution, PConv）：

• PConv通过不对称的填充设计，将标准卷积替换为水平和垂直方向的卷积核，以更好地匹配红外小目标的高斯分布特性。
• PConv通过分组卷积和通道注意力机制，显著扩大了感受野，同时减少了参数量，提升了特征提取能力。
  基于尺度的动态损失（Scale-based Dynamic Loss, SD Loss）：
• SD Loss通过动态调整尺度损失和位置损失的权重，根据目标的大小动态分配损失函数的影响系数，从而减少IoU波动对模型稳定性的影响。
• SD Loss分别针对边界框（BBox）和掩码（Mask）标签设计了不同的动态调整机制，以适应不同目标尺度下的检测需求。

3. 相对于之前的方法有什么改进
   风车卷积（PConv）的改进：

• 感受野扩展：PConv通过分组卷积和不对称填充，显著扩大了感受野，相比标准卷积（3×3）提升了177%-444%。
• 参数效率：PConv在扩大感受野的同时，仅增加了少量参数（111%-122%），显著提高了参数效率。
• 特征提取能力：PConv通过通道注意力机制，增强了对红外小目标的特征提取能力，特别是在弱小目标检测中表现优异。
  基于尺度的动态损失（SD Loss）的改进：
• 动态调整机制：SD Loss通过动态调整尺度损失和位置损失的权重，减少了IoU波动对模型稳定性的影响，提升了模型在不同尺度目标检测中的鲁棒性。
• 适用性：SD Loss适用于边界框和掩码标签，能够根据目标大小动态调整损失函数的影响系数，从而在不同尺度目标检测中表现更佳。