【TGRS2024】Pick of the Bunch: Detecting Infrared Small Targets Beyond Hit-Miss Trade-Offs via Selective Rank-Aware Attention
论文：https://arxiv.org/abs/2408.03717
代码：https://github.com/GrokCV/SeRankDet
作者指出来当前红外小目标检测方法存在三个问题：(1) 卷积层不敏感：卷积层缺乏红外小目标细粒度细节所需的灵敏度，导致目标和复杂背景之间的区分不足。(2) 线性挤压计算：传统的注意力机制利用类似于SENet和PVT中的池化操作，会将目标特征与背景噪声合并，稀释了目标特征。(3) 静态特征融合：不能动态地整合显著特征，不足以区分真实目标和虚警。
作者提出的方法，类似于挑剔的鉴赏家，“挑选精华”——利用高度敏感的特征提取器来保留即使是最暗淡的目标，同时采用可靠的模块来过滤虚警。picks the bunch 意思是“一批中最好的精华”，在论文是 top-k 注意力。
模型的总体框架如下图所示。可以看出类似一个 encoder-decoder 架构，在 encoder部分，DDC和SeRank 交替处理，在decoder部分，使用 LSFF融合特征。框架包括 DDC，SeRank，LSFF 三个关键模块，分别解决了上述三个问题，下面将分别介绍。
Dilated Difference Convolution (DDC) 该模块可以解决卷积层不敏感问题，结构如下图所示，本质是三种卷积的并行。作者认为可以增强辨别边缘和微妙细节的能力。
Selective Rank-Aware Attention (SeRank) Module 可以解决池化操作稀释目标特征的问题，如下图所示。本质是在Q和K计算时，使用 TOP-K机制进行了降维，这个思想在很多论文里有应用。
Large Selective Feature Fusion （LSFF） 可以解决静态特征融合问题，结构如下图所示。是在特征融合时，采用了 SKNet 的结构，动态调节两个输入特征的权重。
实验部分可以参考作者论文，这里不过多介绍。