{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,3]]，“日期-时间”：“2024-06-03T17:21:45Z”，“时间戳”：1717435305880}，“引用-计数”：49，“发布者”：“MDPI AG”，“问题”：“18”，“许可证”：[{“开始”：{'日期-部件“：[2023,9,13]]2023-09-13T00:00:00Z“，”时间戳“：1694563200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“遥感”]，“抽象”：“具有密集分布和大规模变化的红外小目标检测是一个极具挑战性的问题。针对这一问题，提出了一种多阶段、多尺度的红外小目标检测局部特征融合方法。该方法基于多阶段、多尺度的局部特征融合。首先，考虑到目标尺寸的显著变化，利用ResNet-18提取不同阶段的图像特征。然后，针对每个阶段，使用多尺度特征金字塔来获取相应的多尺度局部特征。其次，为了提高密集分布目标的检测率，对多阶段和多尺度特征进行逐步融合和级联，形成最终的融合结果。最后，将融合结果输入目标检测器进行检测。SIRST和MDFA的实验结果表明，该方法有效地提高了红外小目标检测的性能。该方法在两个数据集上的mIoU值分别为63.43%和46.29%，F测量值分别为77.62%和63.28%<\/jats:p>“，”DOI“：”10.3390\/rs115184506“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2023,9,14]]，”日期时间“：”2023-09-14T14:00:23Z“，”时间戳“：1694700023000｝，”page“：”4506“，”source“：”Crossref“，”由count引用“：5，”title“：[”用于红外小目标检测的多级多尺度局部特征融合“]，”prefix“：”10.3390“，”volume“：”15“，”author“：[{”ORCID“：”http://\/ORCID.org\/0009-0004-6310-3389“，”authenticated-ORCID“：false，”given“：“Yahui”，”family“：”Wang“，”sequence“：”first“，”affiliation“：[[{“name”：“华中科技大学电子信息与通信学院，中国武汉430074”}]}，{“given”：“Yan”，“family”：“Tian”，“sequence”：“additional”，“affiliation“：[{”name“：”华中科技大学电子信息与通信学院，中国武汉430074“}]}，{”given“：”Jijun“，”family“：”Liu“，”sequence“：”additional“，”affiliance“：[[{“name”：“华中科技学院电子信息与通讯学院，中国湖北430074”}]}，{“given”：“Yiping”，“family”：“Xu”，“sequence”：“additional”，“affiliation”：[{“name”：“华中科技大学电子信息与通信学院，武汉430074”}]]，“member”：“1968”，“published-online”：{“date-parts”：[2023,9,13]]}，“reference”：[}“key”：，“DOI”：“10.1155\/2018\/7068349”，“article-title”：“计算机视觉的深度学习：简要回顾”，“volume”：“2018”，“author”：“Voulodimos”，“year”：“2018”，“journal-title“：”Compute.Internal.Neurosci.“}，{“key”：”ref_2“，”DOI-asserted-by“：”crossref“，”first page“：”58443“，”DOI“：”10.1109\/ACCES.2020.2983149“，“artifle-tittle”：“自动驾驶调查：常见做法和新兴技术”，“卷”：“8”，“作者”：“Yurtsever”，“年份”：“2020年”，“日志标题”：“IEEE Access”}，{“key”：“ref_3”，“doi-asserted-by”：“crossref”，《首页》：“743”，“doi”：“10.1109\/TPAMI.2011.55”，“article-title”：“行人检测：最新技术评估”，“卷宗”：“34”，“author”：“Dollar”，“year”：“2011”，“journal-title”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，{“key”：“ref_4”，“doi-asserted-by”：“crossref”，“unstructured”：“Kortli，Y.，Jridi，M.，Al-Falou，A.，and Atri，M.（2020）。人脸识别系统：一项调查。传感器，20.“，doi”：“10.3390\/s20020342”}“crossref”，“first page”：“18”，“DOI”：“10.1109\/5254.708428”，“article-title”：“支持向量机”，“volume”：“13”，“author”：“Hearst”，“year”：“1998”，“journal-title“：”IEEE Intell.Syst.App.“}，{”key“：”ref_6“，”DOI-asserted-by“：”crossref“，”first-page“：”577“，”DOI“：”10.1109\/TSMCB.2007.914695“，”article-title“”：“基于Adaboost-by的网络入侵检测算法”，“卷”：“38”，“author”：“Hu”，“year”：“2008”，“journal-title”：“IEEE Trans.Syst.Man Cybern.”}，{“key”：“ref_7”，“doi-asserted-by”：“crossref”，”first page“：”649“，”doi“：”10.1109\/TSMCC.2008.923876“，”article-title“：”Random-forests-based network intrusion detection systems“，”volume“38”，”author“：”Zhang“，”year“：”2008“，”journal-title“:”IEEE Trans.Syst.人类网络。“}，{“key”：“ref_8”，“doi-asserted-by”：“crossref”，“首页”：“93”，“doi”：“10.1016\/j.infrared.2018.10.020”，“article-title”：“热像用高灵敏度短波红外技术”，“volume”：”95“，“author”：“Wen”，“year”：“2018”，“journal-title“：”红外线物理技术“}，{“key”：《ref_9》，“doi-asserted-by”：”crossref.“，“first page”：“85354”，“doi”：“10.1109\/ACCESS.2019.2925563”，“article-title”：“复杂背景下检测红外小目标的图形正则拉普拉斯近似”，“volume”：“7”，“author”：“Zhou”，“year”：“2019”，“journal-title“：”IEEE ACCESS“}，{“key”：”ref_10“，”doi-asserted-by“：”crossref“，”first page“：”4204“，”doi“：”10.1109\/TGRS.2016.2538295“，”article-title“：“基于加权局部差分测量的小红外目标检测”，“体积”：“54”，“作者”：“邓”，“年份”：“2016年”，“期刊标题”：“IEEE Trans.Geosci.Remote Sens.”}，{“key”：“ref_11”，“doi-asserted-by”：“crossref”，《首页》：“2452”，“doi”：“10.1109\/TGRS.2017.2781143”：“红外小目标探测的基于导数熵的对比度测量”，“体积”：“56”，“作者”：“Bai”，“年份”：“2018”，“期刊标题”：“IEEE Trans.Geosci.Remote Sens.”}，{“键”：“ref_12”，“doi-asserted-by”：“crossref”，“非结构化”：“Hariharan，B.，Arbelaez，P.，and Girshick，R.（2015年1月7日\u201312）。用于对象分割和细粒度定位的超列。IEEE计算机视觉和模式识别会议论文集，美国马萨诸塞州波士顿”，“DOI”：“10.1109\/CVPR.2015.7298642”}，{“key”：“ref_13”，“DOI-asserted-by”：“crossref”，“unstructured”：“Rahman，M.A.和Wang，Y.（2016年1月12日\u201314）.优化用于图像分割的深度神经网络中的交迭-重叠。视觉计算国际研讨会论文集，美国内华达州拉斯维加斯”，“DOI”：“10.1007\/978-319-50835-1_22”}，{“key”：“ref_14”，“DOI-asserted-by”：“crossref”，“unstructured”：“Long，J.，Shelhamer，E.，and Darrell，T.（2015年1月7日\u201312）.用于语义分割的完全卷积网络。IEEE计算机视觉和模式识别（CVPR）会议记录，美国马萨诸塞州波士顿”，“DOI”：“10.1109\/CVPR.2015.7298965”}，{“key”：“ref_15”，“DOI-asserted-by”：“crossref”，“unstructured”：“Singh，B.，and Davis，L.S.（2018年1月18日\u201323）.目标检测剪报中的尺度不变性分析。IEEE计算机视觉和模式识别会议记录，美国犹他州盐湖城”，“DOI”：“10.1109\/CVPR.2018.00377”}，{“key”：“ref_16”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，H.，Zhou，L.，and Wang，L.（11月，1月27日）漏检与假警报：红外图像中小目标分割的对抗学习。2019 IEEE计算机视觉国际会议（ICCV）会议记录，韩国首尔。“，”DOI“：”10.1109\/ICCV.2019.00860“｝，｛”key“：”ref_17“，”DOI由“：”crossref“断言，”非结构化“：”Dai，Y.，Wu，Y.，Zhou，F.，and Barnard，K.（2021年1月3日\u20138）。红外小目标检测的非对称上下文调制。美国怀科洛亚IEEE\/CFF计算机视觉应用冬季会议论文集。“，”DOI“：”10.1109\/WACV48630.2021.00099“}，{“key”：“ref_18”，“DOI-asserted-by”：“crossref”，“first page”：”1137“，“DOI”：“10.1109\/TPAMI.2016.2577031”，“article-title”：“Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks”，“volume”:“39”，“author”：“Ren”，“year”：“2016”，“journal-title“：”IEEE Trans.Pattern Anal.Mach.Intell.“}”，{“密钥”：“ref_19“，”doi-asserted-by“：”crossref“，”unstructured“：”Redmon，J.，Divvala，S.，Girshick，R.，and Farhadi，A.（7月，1月26日）。你只看一次：统一的实时目标检测。2016年IEEE计算机视觉和模式识别会议记录，美国内华达州拉斯维加斯”，“DOI”：“10.1109\/CVPR.2016.91”}，{“key”：“ref_20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Redmon，J.和Farhadi，A.（2017年1月21日\u201326）YOLO9000：更好、更快、更强。2017 IEEE计算机视觉与模式识别（CVPR）会议论文集，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109”，“CVPR.2017.690”}，{“key”：“ref_21”，“unstructured”：“Redmon，J.，and Farhadi，A.（2018）。YOLOv3:增量改进。arXiv.”}Liu，W.、Anguelov，D.、Erhan，D.、Szegedy，C.、Reed，S.、Fu，C.Y.和Berg，A.C.（2016年1月11日，2013年14日）。SSD：单发多盒探测器。欧洲计算机视觉会议记录，荷兰阿姆斯特丹。“，”DOI“：”10.1007\/978-3-319-46448-0_2“}，{”key“：”ref_23“，”DOI-asserted-by“：”crossref“，”unstructured“：”Deshpande，S.D.，Er，M.H.，Venkateswaru，R.，and Chan，P.（1999，January 20\u201322）。用于检测小目标的最大和最大中值滤波器。《小目标信号和数据处理学报》1999（SPIE），美国佛罗里达州奥兰多“，”DOI“：”10.1117\/12.364049“}，{“key”：“ref_24”，“DOI-asserted-by”：“crossref”，“first page”：”2145“，“DOI”：“10.1016\/j.patcog.2009.12.023”，“article-title”：“新top-hat变换的分析及其在红外弱小目标检测中的应用”，“volume”:“43”，“author”：“Bai”，“year”：“2010”，“journal title”：”Pattern Recognit.“}”，{”key“：”ref_25“，“”doi-asserted-by“：”crossref“，”first page“：”574“，”doi“：”10.1109\/TGRS.2013.2242477“，”article-title“：”检测小红外目标的局部对比度方法“，”volume“：“52”，”author“：”Chen“，”year“：”2013“，”journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_26“，”doi-asserted-by“：”crossref“，”first page“：“612”，”doi“：”10.1109\/LGRS.2018.2790909“，”article-title“：”利用多尺度相对局部对比度测量的红外小目标检测“，”volume“：：“crossref“，”first page“：”403“，”DOI“：”10.1016\/j.infrred.2012.06.001“，”article-title“：”一种基于人类视觉系统对比机制的改进红外弱小目标检测算法“，”volume“：“55”，”author“：”Shao“，”year“：”2012“，”journal-title”：“红外物理学”。Technol公司。“｝，｛”key“：”ref_28“，”doi asserted by“：”crossref“，”首页“：”1890“，”doi“：”10.1109\/LGRS.2016.2661416“，”文章标题“：”利用新型局部对比度方法进行有效红外小目标探测“，”卷“：”13“，”作者“：”Qin“，”年份“：”2016“，”期刊标题“：”IEEE Geosci.Remote Sens.Lett.“，｝，｛”key“：”ref_29“，”doi asserted by“：”crossref“，”首页“：”1“，”DOI“：”10.1049\/el:20045204“，”文章标题“：”海天复杂背景下红外小目标的自适应检测“，”卷“：”40“，”作者“：”杨“，”年份“：”2004“，”期刊标题“：“电子”。莱特。“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”first-pages“：”33“，”doi“：”10.1109\/LGRS.2017.2772030“，”article-title“：”红外小目标探测的基于高亮度的多尺度局部对比度测量“，”volume“：交叉参考“，”首页“：”98“，”DOI“：”10.1016\/j.inferred.2014.10.22“，”文章标题“：”基于低阶稀疏表示的红外小目标检测“，”卷“：”68“，”作者“：”何“，”年份“：”2015“，”期刊标题“：。Technol公司。“}，{”key“：”ref_32“，”doi-asserted-by“：”crossref“，”first page“：“13”，”doi“：”10.1016\/j.infrared.2017.05.009“，”article-title“：”基于稀疏表示的天空场景杂波中红外小目标检测“，”volume“：，“首页“：”4996“，”DOI“：”10.1109\/TIP.2013.2281420“，”article-title“：”用于单个图像中小目标检测的红外补丁图像模型“，”volume“：”22“，”author“：”Gao“，”year“：”2013“，”journal-title”：“IEEE Trans。图像处理。“}，{”key“：”ref_34“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1016\/j.imavis.2017.04.002“，”article-title“：”基于总变差正则化和主成分追求的红外弱小目标检测“，”volume“：crossref”，“非结构化”：“Lin，T.Y.，Doll\u00e1r，P.，Girshick，R.，He，K.，Hariharan，B.，and Belongie，S.（2017年1月21日\u201326）。用于目标检测的特征金字塔网络。IEEE计算机视觉和模式识别（CVPR）会议记录，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.106”}，{“key”：“ref_36”，“DOI-asserted-by”：“crossref”，“first page”：”364“，“DOI:”10.1109\/TIP.2022.3228497“，“article-title”：“UIU-Net:U-Net in U-Net for infrared small object detection”，“volume”:“32”，“author”：“Wu”，“year”：“2022年“，”期刊标题“：”IEEE Trans。图像处理。“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”unstructured“：”Tong，X.，Sun，B.，Wei，J.，Zuo，Z.，and Su，S.（2021）。EAAU-Net：用于红外小目标检测的增强非对称注意力U-Net。Remote Sens.，13.“，“doi”：“10.3390\/rs13163200”}，“key”：10.1109\/TGRS.2020.3044958“，”文章标题“：”红外小目标探测的注意局部对比网络“，”卷“：”59“，”作者“：”戴“，”年份“：”2021“，”期刊标题“：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_39“，”first page“：“7000805”，”article-title“：”RISTDnet：鲁棒红外小目标探测网络“，”volume“：19”，“author”：“Hou”，“year”：“2021”，“journal-title”：“IEEE Geosci.Remote Sens.Lett.”}，“key”：“ref_40”，“doi-asserted-by”：“crossref”，“first pages”：“1745”，“doi”：“10.1109\/TIP.2022.3199107“，”文章标题“：”密集嵌套注意网络用于红外小目标检测”，“卷”：“32”，“作者”：“李”，“年份”：“2022年”，“新闻标题”：“IEEE Transac。图像处理。“}，{”key“：”ref_41“，”doi-asserted-by“：”crossref“，”first-pages“：”4250“，”doi“：”10.1109\/TAES.2023.3238703“，”article-title“：”复杂背景下探测红外小目标的注意力引导金字塔上下文网络“，”volume“：“59”，“author”：“Zhang”，“year”：“2023”，“journal-title”：“IEEE Transac.Aerosp.Electron.Syst.”}，”{“key”：“ref_42”，“doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.和Sun，J.（7月，1月26日）。用于图像识别的深度残差学习。2016年IEEE计算机视觉与模式识别（CVPR）会议记录，美国内华达州拉斯维加斯”，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“ref_43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，and Fei-Fei，L.（2009年1月20日\u201325）.Imagenet：大规模分层图像数据库。2009年IEEE计算机视觉和模式识别会议记录，美国佛罗里达州迈阿密年份：“2021年”，“新闻标题”：“IEEE Geosci。遥感快报。“｝，｛”key“：”ref_45“，”doi asserted by“：”crossref“，”首页“：”104107“，”doi“：”10.1016\/j.infared.2022.104107“，”文章标题“：”基于多尺度局部对比学习网络的红外小目标检测“，”volume“：”123“，”author“：”Yu“，”year“：”2022“，”期刊标题“：”红外物理技术“｝，｛”key“：”ref_46“，”doi asserted by“：”crossref“，”非结构化”：“Lim，J.S.、Astrid，M.、Yoon，H.J.和Lee，S.I.（2021201323年1月20日）。使用上下文和注意力检测小对象。2021年信息与通信人工智能国际会议（ICAIIC）会议记录，韩国济州岛。“，”DOI“：”10.1109\/ICAIIC51459.2021.9415217“}，{”key“：”ref_47“，”DOI-asserted-by“：”crossref“，”unstructured“：”Hu，J.，Shen，L.，and Sun，G.（2017年1月18日\u201322）.挤压与激励网络.美国犹他州盐湖城IEEE计算机视觉与模式识别会议论文集“，”，“DOI”：“10.1109\/CVPR.2018.00745”}，}“key“：”ref_48“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，L.，and Peng，Z.（2019）。基于张量核范数部分和的红外小目标检测。遥感，11.“，”DOI“：”10.3390\/rs11040382“}，{“key”：“ref_49”，“DOI-asserted-by”：“crossref”，“first page”：”216“，“DOI”：“10.1016\/j.patcog.2016.04.002”，“article-title”：“用于小红外目标检测的多尺度基于补丁的对比度测量”，“volume”:“58”，“author”：“Wei”，“year”：“2016”，“journal-title“：“Pattern Recognit.”}]，“container-ti”“：[”遥感“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/2072-4292\/15\/18\/4506\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,9,14]]，”date-time“：“2023-09-14:10:28Z”，”timestamp“：1694700628000}，“分数”：1，“资源”：{primary”：｛“URL”：“https://www.mdpi.com/2072-4292\/15\/18\/4506”｝｝，“副标题”：[]，“短标题”：[]，“已发布”：｛“日期部分”：[[2023,9,13]｝，“参考文献数”：49，“期刊发行”：｛“发行”：“18”，“在线发布”：｛“日期部分”：[[2023,9]]｝｝，“替代id”：[“rs15184506”]，“URL”：“http:\/\/dx.doi.org/10.3390\\rs15184506“，”关系“：｛｝，”ISSN“：[”2072-4292“]，“issn类型”：[{“值”：“2072-4292”，“类型”：“电子”}]，“主题”：[]，“发布”：{“日期部分”：[[2023,9,13]]}}