融合多尺度分形注意力的红外小目标检测模型.pdf

融合多尺度分形注意力的红外小目标检测模型谷 雨*张宏宇 孙仕成(杭州电子科技大学自动化学院 杭州 310018)(杭州电子科技大学圣光机联合学院 杭州 310018)摘 要：为提高红外图像小目标检测的性能，融合传统方法的先验知识和深度学习方法的特征学习能力，该文设计了一种融合多尺度分形注意力的红外小目标端到端检测模型。首先，在对适用于红外图像弱小目标检测的多尺度分形特征分析基础上，给出了基于深度学习算子对其进行加速计算的过程。其次，设计卷积神经网络(CNN)学习度量得到目标显著性分布图，结合特征金字塔注意力模块和金字塔池化下采样模块，提出了一种基于多尺度分形特征的注意力模块。将其嵌入到红外目标语义分割模型时，采用非对称上下文融合机制提高浅层特征和深层特征的融合效果，并利用非对称金字塔非局部模块获取全局注意力，以提高红外小目标检测性能。最后，采用单帧红外小目标(SIRST)数据集验证提出算法的性能，所提模型交并比(IoU)和归一化交并比(nIoU)分别达到了77.4%和76.1%，优于目前已知方法的性能。同时通过迁移实验进一步验证了提出模型的有效性。由于有效地融合了传统方法和深度学习方法的优势，所提模型适用于复杂环境下的红外小目标检测。关键词：红外小目标检测；语义分割；多尺度分形特征；注意力机制；金字塔池化下采样中图分类号：TN911.73;TN219文献标识码：A文章编号：1009-5896(2023)08-3002-10DOI:10.11999/JEIT220919Infrared Small Target Detection Model with Multi-scaleFractal AttentionGU Yu ZHANG Hongyu SUN Shicheng(School of Automation,Hangzhou Dianzi University,Hangzhou 310018,China)(HDU-ITMO Joint Institute,Hangzhou Dianzi University,Hangzhou 310018,China)Abstract:In order to improve the performance of infrared image small target detection,an end-to-end infraredsmall target detection model that integrates multi-scale fractal attention is designed by combining priorknowledge of traditional methods and feature learning ability of deep learning methods.Firstly,the procedureof accelerating the calculation of multi-scale fractal feature with deep learning operator is proposed based onanalysis of this feature,which is suitable for detecting dim and small targets in infrared images.Secondly,theConvolutional Neural Network(CNN)is designed to obtain the target significance distribution map,and amulti-scale fractal feature attention module is proposed by combining the feature pyramid attention andpyramid pooling downsampling module.When embedding it into the infrared target semantic segmentationmodel,asymmetric context modulation is adopted to improve fusion performance of shallow features and deepfeatures,and asymmetric pyramid non-local block is used to obtain global attention to improve infrared smalltarget detection performance.Finally,the performance of the proposed algorithm is verified by experiments onthe Single-frame InfRared Small Target(SIRST)dataset,where Intersection over Union(IoU)and normalizedIOU(nIoU)reach 77.4%and 76.1%,respectively,which is better than the performance of the currently knownmethods.Meanwhile,the effectiveness of the proposed model is further verified by migration experiments.Dueto the effective integration of the advantages of traditional methods and deep learning methods,the proposedmodel is suitable for infrared small target detection in complex environments.收稿日期：2022-07-06；改回日期：2022-10-28；网络出版：2022-11-05*通信作者：谷雨基金项目：浙江省自然科学基金(LY21F030010)，浙江省科技计划(2019C05005)Foundation Items:The Natural Science Foundation of Zhejiang Province(LY21F030010),The Science and Technology Program ofZhejiang Province(2019C05005)第45卷第8期电 子 与 信 息 学 报Vol.45No.82023年8月Journal of Electronics&Information TechnologyAug.2023Key words:Infrared small target detection;Semantic segmentation;Multi-scale fractal feature;Attentionmechanism;Pyramid pooling downsampling 1 引言红外小目标检测是红外搜索与跟踪系统的关键技术，在对地观测、军事侦察等方面具有重要应用价值。由于目标在红外图像中仅占几至几十像素，缺乏形状和纹理等特征信息，考虑背景和噪声的影响，如何提高复杂场景下的红外小目标检测性能仍是国内外学者研究的热点之一1。传统的红外小目标检测方法包括基于背景抑制的方法、基于人眼视觉系统的方法和基于矩阵分解的方法2。基于背景抑制的方法包括最大中值滤波3、高帽滤波4、高通模板滤波5等，这类方法对噪声敏感，且受目标尺寸影响较大。基于人眼视觉系统的算法利用目标和背景之间的对比度差异进行检测，典型算法包括局部对比度测量算法6(LocalContrast Measure,LCM)和多尺度图像块对比度测量算法7(Multiscale Patch-based Contrast Measure,MPCM)，由于检测结果依赖分割阈值，复杂场景下检测性能不高。基于矩阵分解的方法将红外图像视为稀疏目标图像和低秩背景图像的组合，利用稀疏矩阵分解算法得到目标图像，代表算法为红外图像块模型算法8(Infrared Patched-Image Model,IPIM)。由于通过对原始图像进行切分以实现背景建模，故相较于前两类方法检测性能有较大提升，但实时性较差。近年来，深度学习在目标检测等领域取得了远超传统方法的性能，研究学者开始尝试将深度学习应用于红外小目标检测。MDvsFA 9(Miss Detec-tion vs.False Alarm)算法首次将红外小目标检测视为语义分割问题，构建了一个包含10 000张训练图像和100张测试图像的红外目标语义分割数据集。刘俊明等人10提出了一种融合全卷积神经网络和视觉显著性的红外小目标检测算法，首先利用全卷积神经网络对红外图像进行分割，实现背景抑制和目标增强，然后利用红外小目标的显著性特征进一步抑制虚警，最后采用自适应阈值法分割出小目标。Dai等人11构建了一个包含多种标注信息的红外小目标数据集(Single-frame InfRared SmallTarget,SIRST)，提出了一种非对称上下文融合机制(Asymmetric Contextual Modulation,ACM)提高深层特征和浅层特征的融合效果，从而提升小目标分割结果。而后Dai等人12尝试将传统方法和深度学习方法融合，提出了基于局部对比度注意力网络的红外小目标检测算法(Attention Local Con-trast Network,ALCNet)。多尺度局部对比度学习网络13(Multiscale Local Contrast Learning Net-work,MLCL-Net)通过构建局部对比度学习网络学习生成局部对比度特征图，结合双线性特征金字塔网络以充分挖掘目标的信息特征。Huang等人14利用金字塔结构和注意力机制设计了一个局部相似性金字塔模块(Local Similarity Pyramid Module,LSPM)，通过计算不同尺度的局部相似度权重提升特征融合效果。文献15提出的注意力引导金字塔上下文网络(Attention-Guided Pyramid Con-text Network,AGPCNet)首先将特征图划分为图像块来计算特征的局部注意力，然后通过非局部网络16(non-local Network)来计算图像块间的全局相关性得到全局注意力。Li等人17借鉴 U-Net PlusPlus18(UNet+)网络的设计思想，提出了密集嵌套注意力网络(Dense Nested Attention Network,DNANet)，通过密集嵌套交互模块来实现深层特征和浅层特征的融合，并使用级联的通道和空间注意力模块增强特征提取效果。为解决现有网络结构深层目标特征丢失问题，文献19提出了基于增强非对称注意力的改进U-Net20语义分割网络(EnhancedAsymmetric Attention U-Net,EAAU-Net)，设计了一个增强的非对称注意力模块，同时使用了同层特征信息交换和跨层特征融合来提高特征表达能力。本文在上述研究基础上，将红外小目标检测视为包含目标和背景两类的语义分割问题，通过融合传统方法的先验知识和基于深度学习方法的特征学习能力，提出一种融合多尺度分形注意力的红外小目标检测模型。采用深度学习算子对改进多尺度分形特征21进行加速运算，设计一种多尺度分形注意力模型。将其嵌入到语义分割网络时，结合非对称上下文融合机制和非对称金字塔非局部模块，同时采用适合于样本极不均衡情况的损失函数，以提高红外图像小目标检测精度。实验验证了提出模型的有效性。2 用于红外小目标检测的多尺度分形特征 2.1 基于改进多尺度分形特征的红外图像增强假设红外图像中目标为亮目标，文献21定义一个随尺度 变化的多尺度分形特征图为D(x,y,)=U(m,n,)(U(m,n,)B(m,n,)(1)V(x,y,)=x+m=xy+n=yD(x,y,)(2)第8期谷 雨等：融合多尺度分形注意力的红外小目标检测模型3003U(x,y,)B(x,y,)(x,y)(2+1)(2+1)其中，和分别为尺度 下，坐标邻域范围内像素最大值和最小值，区域尺寸为。然后在每个像素定义一个随尺度变化的特征向量为t(x,y,)=V(x,y,)(2+1)2(3)(2max+1)(2max+1)max当采用取极大值作为显著性度量时，文献21利用红外图像中像素邻域的灰度分布计算每点像素的显著性，感受野较大。采用多尺度分形特征进行红外图像增强可以拓展小目标的空间分布，同时可检测较大目标的边缘。与文献21相同，设置=4。计算多尺度分形特征向量主要操作可以使用深度学习中的最大池化、平均池化算子实现，因此可以使用GPU加快上述过程的计算速度，具体如图1所示。2.2 基于多尺度分形特征的注意力模块x,y当获得特征向量t(,)后，文献21采用该向量的均值和方差定义了一个度量，用于计算增强后图像中的目标显著性。当有大量标记样本的情况下，可将该度量设计成一个卷积网络，通过网络训练学习拟合上述度量。将目标显著性图和语义分割模型进行融合时，一种策略是采用文献10的思路，先采用语义分割模型获得初步结果，再采用传统方法进行后处理，但这种策略不是端到端的方法，不利于模型的整体优化设计；另一种策略是采用ALCNet的思路，将传统方法设计成注意力机制，从而提高红外小目标检测精度。本文采用后一种策略，设计了一种基于多尺度分形特征的注意力模块(Impro-ved Multi-scale Fractal Attention Module,IMFAM)。考虑到目标比较小，本文设计的IMFAM模块仅包含两层注意力图，第1层尺寸与输入图像尺寸相等，第2层尺寸为输入图像尺寸的1/2。计算第1层注意力图采用图2(a)所示的目标显著性拟合网络(Fitting Network,FN)，首先使用11卷积对多尺度分形特征t进行先升维再降维操作，提高非线性拟合能力，然后通过Sigmoid激活函数输出即第1层注意力图E。为改善第1层注意力结果，获得更好的像素级注意力，使用文献22提出的特征金字塔注意力模块(Feature Pyramid At-tention Module,FPAM)通过类似UNet结构的逐级下采样和上采样，融合不同尺度的特征，得到改善后的注意力图F。然后使用金字塔池化23下采样模块(Pyramid Pooling Downsampling Module,PPDM)聚合不同区域的上下文信息，提高全局信息的获取能力，得到第2层注意力图。如图2(b)所示，在PPDM模块中，首先对得到的第1层注意力图使用多尺度核且步长为2的最大池化操作进行下采样，将其按通道拼接后，使用11卷积融合拼接后各通道的特征，最后使用Sigmoid激活函数输出注意力图。图2(b)使用的多尺度池化核的集合为1,3,5。3 融合多尺度分形注意力的红外小目标检测算法参考ACM和ALCNet采用的编码器-解码器分割网络结构，本文所提结合多尺度分形注意力的红外小目标分割网络结构如图3去掉MLC模块所示。特征提取网络采用ResNet24结构，编码阶段，为防止小目标特征丢失，只进行两次下采样，对于需要下采样的Stage模块中最后一个残差块使用步长为2的卷积实现图3中每个Stage由3个图4(a)所示残差块串联组成，如右侧虚线框内所示。图3中去掉所有虚线框内结构且融合方式采用ACM的为ACM算法网络结构，去掉分形模块且采用BLAM融合方式的为ALCNet网络结构。设计主干网络时，参考YOLOv525，每个残差块使用Conv+BN+SiLU(CBS)的组合，如图4(a)所示。激活函数SiLU准确性和泛化性更好，有利于神经网络的收敛。IMFAM模块得到的分形注意力图在目标区域的显著值更高，使网络更加专注于对目标区域特征的学习，同时抑制背景。在解码阶段，上采样操作有反卷积和插值法两种，本文使用双线性插值方法，以减少需要学习的网络参数。经过两次上采样的特征图恢复到原始分辨率，输入到 图 1 基于深度学习算子的多尺度分形特征加速计算3004电 子 与 信 息 学 报第 45 卷预测模块进行分类，如图4(b)所示，其中FcnHead为ACM和ALCNet的预测模块，设置Dropout=0.1，防止过拟合。为获取全局注意力，与ACM和AL-CNet不同，本文在预测模块中添加了非对称金字塔非局部模块26(Asymmetric Pyramid Non-localBlock,APNB)，以提升分割网络的性能。APNB模块通过对特征图采样解决了Non-local网络占用显存大的问题，引入空间金字塔池化操作27(Spatial Pyramid Pooling,SPP)，提升特征图的表达能力，以解决采样过程丢失部分像素导致性能下降的问题。经典U-Net网络使用如图5(a)所示的Concat方式进行特征融合，将浅层特征L和深层特征H按通道拼接，然后通过一个CBS模块进行特征融合。ACM采用非对称的方式，对深层特征和浅层特征采用不同的特征提取方法进行融合，如图5(b)所示。与ACM不同，ALCNet仅对浅层特征进行提取将其嵌入深层特征以避免深层特征的丢失。综合考虑各种融合策略的特性，本文采用ACM作为融合策略，并通过消融实验验证了ACM融合机制的有效性。由于红外小目标与背景像素数极不平衡，为缓 图 2 两层注意力特征图 图 3 结合多尺度分形注意力的红外小目标分割网络结构 图 4 CBS残差结构和预测头第8期谷 雨等：融合多尺度分形注意力的红外小目标检测模型3005解类不平衡问题，文献28提出了SoftIoU Loss损失函数，ACM和ALCNet采用该损失函数进行训练。Lovsz Loss29基于子模的Lovsz扩张，给出了一种SoftIoU Loss的直接优化方法。Lovsz Soft-max Loss通过将SoftIoU Loss进行光滑延拓，使其成为连续函数，并且延拓后的函数总是凸函数，从而高效地实现最小化。本文采用的损失函数为LovszSoftmax Loss。4 实验结果分析 4.1 数据集介绍本文使用ACM提出的SIRST数据集验证提出模型的有效性。该数据集共有427张红外图像，包含500多个目标。目标所处的环境复杂多变，包括海面、陆地、云层等，同时目标尺度多样且亮度差异较大。图6展示了数据集中一些典型的红外图像及其语义分割真值。4.2 训练环境和配置本文模型实现采用PyTorch1.7.1，实验所用计算机CPU为i7-8700K，主频3.70 GHz,GPU为GTX1080Ti，内存为32 GB，操作系统为Win-dows10。训练次数(epoch)设置为300，初始学习率为0.01，batch size为4，优化器使用SGD，学习率衰减采用指数衰减方法。在训练集中，采用随机图像旋转及添加高斯模糊的方式进行数据增强。进行多尺度训练时，将输入图像尺寸随机裁剪为480480，然后进行数据归一化处理。ACM采用基于ImageNet数据集统计得到的标准均值(mv)和方差(sv)对输入图像进行归一化操作，分别为mv=0.485,0.456,0.406T,sv=0.229,0.224,0.225T，图 5 不同融合方式结构图 图 6 SIRST数据集中的典型红外图像3006电 子 与 信 息 学 报第 45 卷但由于计算多尺度分形特征图时求最大值时需保证图像像素为正，本文采用的均值和方差分别为mv=0,0,0T,sv=1,1,1T，此时将输入图像归一化到(0,1)区间。4.3 评价指标本文使用IoU和归一化交并比(normalizedIntersection over Union,nIoU)和受试者工作特征曲线特征(Receiver Operating Characteristic,ROC)曲线作为评价指标来衡量各种算法的检测结果。IoU是一种像素级的评价指标，用于评价语义分割算法的性能，其定义为某一类别目标预测结果与真值图像间相交区域与联合区域像素数目的比值，计算公式如式(4)所示IoU=TPT+P TP(4)其中，T和P分别表示测试图像中目标类别的真值和预测结果，TP(True Positive)表示被模型正确预测为目标类的目标像素数量。本文分割网络能够得到目标和背景的分割结果，与ACM类似，计算IoU时仅考虑目标类的IoU值。由于IoU是计算整个目标类别的交并比，为避免大目标对评价指标的影响，更好地衡量红外小目标分割网络的性能，ACM提出将nIoU作为红外小目标检测性能的评价指标，具体定义如式(5)所示。nIoU计算每个样本的IoU值，更适用于复杂场景下的红外小目标检测性能评价nIoU=1NNiTPiTi+Pi TPi(5)其中，Ti,Pi分别表示第i张图像中红外小目标的真值和预测结果，TPi表示真值和预测结果的交集，N表示测试集图像数量。ROC曲线用于描述虚警率(False Positive Rate,FPR)和检测率(True Positive Rate,TPR)之间的变化关系，它们的定义如式(6)。ROC曲线可以反映不同阈值下的分割效果TPR=TPTP+FN,FPR=FPFP+TN(6)其中，TN(True Negative),FP,FN(False Negative)分别表示被模型预测为背景类的背景像素数量、被模型预测为目标类的背景像素数量、被模型预测为背景类的目标像素数量。4.4 消融实验通过消融实验分析了不同模块对网络性能的影响，具体包括是否采用本文提出的多尺度分形注意力机制，浅层特征和深层特征的融合策略，预测头等。实验结果如表1所示，对表中结果进行分析可知：(1)实验1和实验4使用ACM融合相较于Concat融合，IoU和nIoU分别提高了5.807%和5.043%。ACM通过自上而下的全局注意力和自下而上的局部注意力交换多尺度上下文信息，可以获得更丰富的语义信息和空间特征，因而效果提升显著。(2)实验1和实验2，实验4和实验5证明在Concat和ACM融合方式下，添加IMFAM模块IoU和nIoU分别提高了4.199%和5.616%，1.377%和3.067%。IMFAM模块充分利用了红外图像中小目标像素分布特点，采用多种方式融合了不同尺度的特征，增大了感受野，提高了对于不同尺寸目标的分割性能。(3)实验2和实验3，实验5和实验6证明，在Concat和ACM融合方式下，APNB模块都可以提升检测性能，IoU分别提高1.794%和2.596%。APNB模块通过获得全局注意力，可提升分割精度。综上所述，当采用IMFAM+ACM+Prediciton的组合时，取得了最好的检测结果，其IoU和nIoU分别达到了77.423%和76.110%。为证明本文算法的泛化性能，在文献9的测试集进行了迁移实验，使用SIRST数据集训练的模型对其进行测试，结果如表2所示。对比实验4和实验6，本文算法相较于ACM算法IoU和nIoU值分别提高了7.536%和6.785%，验证了提出的算法具有较好的泛化性能，适用于不同场景和尺寸下的红外小目标检测。4.5 实验结果图7给出了两层分形注意力特征图，经过IMFAM表 1 不同模块消融实验结果实验编号改进多尺度分形注意力模块融合方式预测头IoUnIoU1ConcatFcnHead67.64369.0402ConcatFcnHead71.84274.6563ConcatPrediction73.63674.6494ACMFcnHead73.45074.0835ACMFcnHead74.82777.1506ACMPrediction77.42376.110第8期谷 雨等：融合多尺度分形注意力的红外小目标检测模型3007模块，输出的注意力图中目标区域的显著性更高，且实现了对大部分背景的有效抑制。为验证本文算法的优势，在SIRST数据集上与已知经典的算法进行了定性和定量比较。图8为ACM算法、ALCNet和本文算法的可视化检测结果。对比Img1,Img2和Img3的检测结果，ACM,ALCNet和本文算法对目标尺度变换不敏感，对于大目标、小目标和多目标都可以取得较好的检测结果。但当背景较复杂且存在多个目标时，对比Img4的检测结果可知，ACM算法出现了漏检，只检测到3个目标，ALCNet虽然检测到了4个目标，但目标轮廓不准确，且在左下角处出现了虚警。本文算法准确检测出4个目标没有出现漏检和虚警，证明了本文算法对复杂背景下红外小目标检测的有效性。图9为3种算法的ROC曲线，ROC曲线的结果表明，本文算法可以更好地抑制背景，准确地检测目标，取得了最高的检测率。表3为各检测算法的IoU和nIoU值，各算法的检测结果参考表中标注的文献，从表中可以看出，基于深度学习的方法取得了远超传统方法的检测性能。本文提出的算法IoU和nIoU均取得了最优的结果，比ALCNet分别提高了1.7%和3.3%，验证了提出网络结构的有效性。与ALCNet类似，本文算法将传统算法作为注意力机制嵌入卷积网络，不同的是，在图3中ALCNet对网络中间层的特征图使用MLC模块计算多尺度图像块对比度，其学习到的特征分布不一定符合红外弱小目标在原始图像的像素分布假设，所以对性能提升有限。本文算法对原始图像计算多尺度分形特征，由图7可知，学习到的特征分布符合小目标在原始图像中的像素分布，将其作为注意力机制嵌入到语义分割网络中，可以扩展小目标的空间分布，实现对弱小目标的增强，并且有效抑制背景。同时在网络预测头中引入APNB模块获取全局注意力，进一步提高红外小目标检测性能，采用Lovsz Loss损失函数缓解了类不均衡问题，因而取得了更好的检测结果。ALCNet由于表 2 迁移实验结果实验编号改进多尺度分形注意力模块融合方式预测头IoUnIoU1ConcatFcnHead42.56138.6852ConcatFcnHead43.74036.8823ConcatPrediction46.13840.2114ACMFcnHead46.94842.8465ACMFcnHead50.54245.1636ACMPrediction54.48449.631 图 7 多尺度分形注意力图3008电 子 与 信 息 学 报第 45 卷需要计算多个尺度下的图像块对比度，计算量较大，本文算法检测速度上优于ALCNet，实时性更好。5 结论针对红外图像中小目标成像面积小、特征信息少等问题，引入了一种用于红外小目标检测的改进多尺度分形特征，将其作为注意力机制嵌入到语义分割网络中，提出了融合多尺度分形注意力的红外小目标检测算法，结合非对称上下文融合策略和非对称金字塔非局部模块，提高了红外图像小目标检测性能。通过在两个数据集上的大量实验，结果表明，与其他算法相比，本文算法取得了更好的检测效果。参 考 文 献LI Zhongmin,MEI Lifei,and SONG Mao.A survey oninfrared weak small target detection methodJ.AdvancedMaterials Research,2014,945/949:15581560.doi:10.4028/ Junhong,ZHANG Ping,WANG Xiaowei,et al.Infraredsmall-target detection algorithms:A surveyJ.Journal ofImage and Graphics,2020,25(9):17391753.doi:10.11834/jig.190574.2XU Yonghui and ZHANG J A.Real-time detectionalgorithm for small space targets based on max-median3表 3 不同算法的IoU和nIoU值算法IoUnIoU单帧检测时间(s)算法IoUnIoU单帧检测时间(s)LCM1119.320.70.257ALCNet1275.772.80.378MPCM1135.744.50.347DNANet1773.873.5/IPIM1146.660.711.699AGPCNet1572.973.2/Fractal2120.119.7/EAA-UNet1977.174.60.179ACM1174.373.10.156本文算法77.476.10.291 图 8 ACM算法、ALCNet和本文算法红外图像检测结果 图 9 3种算法的ROC曲线第8期谷 雨等：融合多尺度分形注意力的红外小目标检测模型3009filterJ.Journal of Information and Computational Science,2014,11(4):10471055.doi:10.12733/jics20102961.吴健,陆书文,芮大庆,等.基于背景抑制的改进Top-Hat红外小目标检测方法J.电光与控制,2018,25(9):4244.doi:10.3969/j.issn.1671-637X.2018.09.009.WU Jian,LU Shuwen,RUI Daqing,et al.An improvedTop-Hat infrared small target detection method based onbackground suppressionJ.Electronics Optics&Control,2018,25(9):4244.doi:10.3969/j.issn.1671-637X.2018.09.009.4侯旺,孙晓亮,尚洋,等.红外弱小目标检测技术研究现状与发展趋势J.红外技术,2015,37(1):110.HOU Wang,SUN Xiaoliang,SHANG Yang,et al.Presentstate and perspectives of small infrared targets detectiontechnologyJ.Infrared Technology,2015,37(1):110.5CHEN C L P,LI Hong,WEI Yantao,et al.A local contrastmethod for small infrared target detectionJ.IEEETransactions on Geoscience and Remote Sensing,2014,52(1):574581.doi:10.1109/TGRS.2013.2242477.6WEI Yantao,YOU Xinge,and LI Hong.Multiscale patch-based contrast measure for small infrared targetdetectionJ.Pattern Recognition,2016,58:216226.doi:10.1016/j.patcog.2016.04.002.7GAO Chenqiang,MENG Deyu,YANG Yi,et al.Infraredpatch-image model for small target detection in a singleimageJ.IEEE Transactions on Image Processing,2013,22(12):49965009.doi:10.1109/TIP.2013.2281420.8WANG Huan,ZHOU Luping,and WANG Lei.Missdetection vs.false alarm:Adversarial learning for smallobject segmentation in infrared imagesC.2019 IEEE/CVFInternational Conference on Computer Vision(ICCV),Seoul,Korea(South),2019:85088517.doi:10.1109/ICCV.2019.00860.9刘俊明,孟卫华.融合全卷积神经网络和视觉显著性的红外小目标检测J.光子学报,2020,49(7):0710003.doi:10.3788/gzxb20204907.0710003.LIU Junming and MENG Weihua.Infrared small targetdetection based on fully convolutional neural network andvisual saliencyJ.Acta Photonica Sinica,2020,49(7):0710003.doi:10.3788/gzxb20204907.0710003.10DAI Yimian,WU Yiquan,ZHOU Fei,et al.Asymmetriccontextual modulation for infrared small target detectionC.2021 IEEE Winter Conference on Applications of ComputerVision(WACV),Waikoloa,USA,2021:949958.doi:10.1109/WACV48630.2021.00099.11DAI Yimian,WU Yiquan,ZHOU Fei,et al.Attentionallocal contrast networks for infrared small targetdetectionJ.IEEE Transactions on Geoscience and RemoteSensing,2021,59(11):98139824.doi:10.1109/TGRS.2020.123044958.YU Chuang,LIU Yunpeng,WU Shuhang,et al.Infraredsmall target detection based on multiscale local contrastlearning networksJ.Infrared Physics&Technology,2022,123:104107.doi:10.1016/j.infrared.2022.104107.13HUANG Lian,DAI Shaosheng,HUANG Tao,et al.Infraredsmall target segmentation with multiscale featurerepresentationJ.Infrared Physics&Technology,2021,116:103755.doi:10.1016/j.infrared.2021.103755.14ZHANG Tianfang,CAO Siying,PU Tian,et al.AGPCNet:Attention-guided pyramid context networks for infraredsmall target detectionEB/OL.https:/arxiv.org/abs/2111.03580,2021.15WANG Xiaolong,GIRSHICK R,GUPTA A,et al.Non-local neural networksC.2018 IEEE/CVF Conference onComputer Vision and Pattern Recognition,Salt Lake City,USA,2018:77947803.doi:10.1109/CVPR.2018.00813.16LI Boyang,XIAO Chao,WANG Longguang,et al.Densenested attention