[论文解读] A Feedback Neural Network for Small Target Motion Detection in Cluttered Backgrounds

Hongxin Wang, Jigen Peng+1 more|arXiv (Cornell University)|May 1, 2018

Neurobiology and Insect Physiology Research参考文献 12被引用 3

一句话总结

本文提出了一种反馈神经网络（反馈ESTMD），通过在输出层与丘脑层之间引入时间延迟的反馈回路，提升了在复杂背景中对小目标运动的检测性能。该反馈机制有效抑制了背景噪声的响应，显著优于基线ESTMD模型，尤其在目标与背景存在速度差异时表现更优。

ABSTRACT

Small target motion detection is critical for insects to search for and track mates or prey which always appear as small dim speckles in the visual field. A class of specific neurons, called small target motion detectors (STMDs), has been characterized by exquisite sensitivity for small target motion. Understanding and analyzing visual pathway of STMD neurons are beneficial to design artificial visual systems for small target motion detection. Feedback loops have been widely identified in visual neural circuits and play an important role in target detection. However, if there exists a feedback loop in the STMD visual pathway or if a feedback loop could significantly improve the detection performance of STMD neurons, is unclear. In this paper, we propose a feedback neural network for small target motion detection against naturally cluttered backgrounds. In order to form a feedback loop, model output is temporally delayed and relayed to previous neural layer as feedback signal. Extensive experiments showed that the significant improvement of the proposed feedback neural network over the existing STMD-based models for small target motion detection.

研究动机与目标

• 探究在STMD神经通路中引入反馈回路是否能显著提升小目标运动检测性能。
• 解决在自然复杂背景中检测小而暗淡的运动目标的挑战，其中背景噪声会模仿目标特征。
• 通过集成反馈机制减少背景噪声引起的误报，从而提升现有基于STMD模型的性能。
• 验证反馈机制在不同目标与背景运动条件下对提升检测率的有效性。

提出的方法

• 该模型在现有ESTMD架构基础上扩展，增加一个将输出信号延迟后反馈至丘脑层的反馈回路。
• 将反馈信号叠加至丘脑层输出，以抑制对背景噪声的响应，同时保留目标运动信号。
• 反馈机制通过时间延迟模块实现，确保反馈信号与当前输入流对齐。
• 模型通过四层处理输入图像序列：视网膜层（高斯滤波）、垂直层（运动能量计算）、丘脑层（反馈整合）和小脑层（最终输出）。
• 反馈回路旨在减弱对静态或缓慢移动、与小目标特征相似的背景特征的响应。
• 通过受试者工作特征（ROC）曲线及固定虚警率下的检测率，在目标亮度、尺寸、速度及背景运动等不同参数下评估性能。

实验结果

研究问题

• RQ1 在STMD神经通路中引入反馈回路是否能显著提升小目标运动检测性能？
• RQ2 在目标与背景速度变化的情况下，反馈机制如何影响检测性能？
• RQ3 该反馈网络能否有效抑制背景噪声，同时保持对小运动目标的敏感性？
• RQ4 在不同目标与背景运动参数下，反馈ESTMD与基线ESTMD的性能表现如何比较？

主要发现

• 在固定虚警率为10%的条件下，反馈ESTMD模型的检测率显著高于基线ESTMD模型。
• 在目标亮度与尺寸变化条件下，反馈ESTMD始终优于ESTMD，尤其在低对比度与小目标条件下检测率显著更高。
• 当目标速度超过背景速度时（例如500 vs. 250 px/s），反馈ESTMD表现出显著提升的检测性能，尤其在相对运动场景中。
• 在同向运动场景中，当目标速度高于背景速度时，反馈ESTMD保持更优性能；但当背景移动更快时，性能差异减小。
• 在复杂自然背景（如移动的树叶）中，反馈ESTMD的检测率高于ESTMD，ROC曲线对比结果证实了这一点。
• 反馈机制能有效减少背景噪声引起的误报，尤其在纹理相似度高、动态强烈的场景中。