[論文レビュー] One-Stage Cascade Refinement Networks for Infrared Small Target Detection

Yimian Dai, Li Xiang+4 more|arXiv (Cornell University)|Dec 16, 2022

Infrared Target Detection Methodologies被引用数 5

ひとこと要約

本稿では、全スケールの疑似ボックスに基づくラベル割り当てとトップダウン特徴精錬を用いて、正確性を向上させる1段階型の段階的精錬ネットワーク、OSCARを提案する。SIRST-V2ベンチマークにおいて、最小限の誤検出と高い効率性を達成し、広範なアブレーションおよび比較研究によって検証された最先端の性能を発揮する。

ABSTRACT

Single-frame InfraRed Small Target (SIRST) detection has been a challenging task due to a lack of inherent characteristics, imprecise bounding box regression, a scarcity of real-world datasets, and sensitive localization evaluation. In this paper, we propose a comprehensive solution to these challenges. First, we find that the existing anchor-free label assignment method is prone to mislabeling small targets as background, leading to their omission by detectors. To overcome this issue, we propose an all-scale pseudo-box-based label assignment scheme that relaxes the constraints on scale and decouples the spatial assignment from the size of the ground-truth target. Second, motivated by the structured prior of feature pyramids, we introduce the one-stage cascade refinement network (OSCAR), which uses the high-level head as soft proposals for the low-level refinement head. This allows OSCAR to process the same target in a cascade coarse-to-fine manner. Finally, we present a new research benchmark for infrared small target detection, consisting of the SIRST-V2 dataset of real-world, high-resolution single-frame targets, the normalized contrast evaluation metric, and the DeepInfrared toolkit for detection. We conduct extensive ablation studies to evaluate the components of OSCAR and compare its performance to state-of-the-art model-driven and data-driven methods on the SIRST-V2 benchmark. Our results demonstrate that a top-down cascade refinement framework can improve the accuracy of infrared small target detection without sacrificing efficiency. The DeepInfrared toolkit, dataset, and trained models are available at https://github.com/YimianDai/open-deepinfrared to advance further research in this field.

研究の動機と目的

• 標的の固有の特徴が乏しく、局所化誤差に敏感であるため、赤外小標的を検出する課題に対処すること。
• 既存のアンカーフリーのラベル割り当ての限界を克服し、小標的がしばしば背景として誤分類されるのを防ぐこと。
• 粗いから細かい段階的構造を用いた構造的特徴ピラミッドを活用することで、推論効率を損なわず検出精度を向上させること。
• SIRST-V2データセット、正規化コントラスト評価指標、DeepInfraredツールキットを用いて、一貫性があり信頼性の高い評価が可能な新しい研究ベンチマークを確立すること。
• 検出をセマンティックセグメンテーションではなくオブジェクト検出タスクとしてモデル化することで、より高い性能と効率性が達成されることを示すこと。

提案手法

• 空間的割り当てを真のサイズから分離することで、小標的が背景として誤分類されるのを低減する、全スケールの疑似ボックスに基づくラベル割り当て方式を提案する。
• 1段階型の段階的精錬ネットワーク（OSCAR）を導入し、高レベル特徴ヘッドを低レベル精錬ヘッドのソフトプロポーザルとして機能させ、トップダウンで粗いから細かい段階的検出を実現する。
• ターゲット固有のコントラスト特徴に注目することで、局所化品質を向上させ、誤検出を抑制するため、正規化コントラストブランチを採用する。
• 多スケール特徴ピラミッド構造を活用して、異なるレベル間での段階的精錬を可能にし、小標的に対する検出のロバスト性を向上させる。
• 小標的が存在する状況での局所化精度をよりよく反映するため、正規化コントラストに基づく新しい評価指標を設計する。
• 再現可能な研究と標準化されたベンチマークを支援するため、SIRST-V2データセットとDeepInfraredツールキットを公開する。

実験結果

リサーチクエスチョン

• RQ1 1段階型の段階的精錬フレームワークは、計算コストを増加させることなく、赤外小標的の検出精度を向上させることができるか？
• RQ2 疑似ボックスを用いて空間的割り当てを真のサイズから分離することで、小標的が背景として誤分類されるのを低減できるか？
• RQ3 トップダウンの段階的構造において、高レベル特徴が低レベル精錬の有効なソフトプロポーザルとして機能できるか？
• RQ4 正規化コントラストブランチは、複雑な背景において誤検出の抑制にどのように寄与するか？
• RQ5 提案されたOSCARモデルは、実世界の赤外小標的検出において、既存のモデル駆動型およびデータ駆動型手法をどの程度上回るか？

主な発見

• OSCARはSIRST-V2ベンチマークで最先端の性能を達成し、検出精度と誤検出抑制の両面で、既存のモデル駆動型およびデータ駆動型手法を上回った。
• 提案された全スケールの疑似ボックスに基づくラベル割り当てにより、小標的が背景として誤分類されるのを防ぎ、誤検出（偽陰性）の数が顕著に減少した。
• トップダウンの段階的精錬メカニズムにより、階層的特徴精錬を通じて予測値が改善され、特に非常に小さな標的にて局所化精度が向上した。
• 正規化コントラストブランチにより、ターゲット固有のコントラストを強調することで、複雑なシーンでもロバストな性能が得られ、偽陽性が低減した。
• 広範なアブレーションスタディにより、OSCARの各構成要素—ラベル割り当て、段階的精錬、コントラストブランチ—が独立的かつ相乗的に性能向上に寄与することが確認された。
• SIRST-V2データセットとDeepInfraredツールキットは、将来の研究に向けた信頼性の高い標準化されたベンチマークを提供しており、実世界の高解像度単一フレーム赤外画像と新しい評価指標を備えている。