论文标题
détectde petites cibles par propondissage profond etcritèrecontrario
Détection de petites cibles par apprentissage profond et critère a contrario
论文作者
论文摘要
在国防应用中，小型目标检测是一项必不可少但具有挑战性的任务，因为将低对比度的目标与自然纹理和嘈杂的环境区分开来仍然很困难。为了更好地考虑上下文信息，我们建议根据注意机制探索深度学习方法。具体来说，我们提出了一种定制的Transunet版本，包括频道注意力，该版本的性能有了显着改善。此外，缺乏注释数据会导致弱检测精度，从而导致许多错误警报。因此，我们探索了一种逆势方法，以选择弱深度学习训练检测到的有意义的潜在目标。 - - détectionde petites cibles uneproblématiquemais Essentielle dan le domaine de la de ladéfense，notamment lorsqu'il s'agit dedifférencierces cisbles cibles cibles d'un un fordbruitéououthuré，ou lorsqu'elles sont sont sont sont sont sont sont de faible Contaste。倒入Mieux prendre en compte les Informations contextuelles，nous提议d'explorerdifférentes批准分段的学徒par par profond，不确定sures sur s sur s sur s sur les les les les les les les les d'castiss d'castisiss d'castisiss d'castisiss d'castisiss d'castion。 nous提议d'panceure d'cance un d'coate par canal au transunet，réseau -l'étatde l'Art，ce qui permetd'Améliorer的意义。 Par ailleurs，Le ManquedeDonnéesAntéesinduit une perte en perte enprécisiondesdétections，conduiSant -de nombreuses fausses fausses震惊了非相关人。 nous exproverons doncdesMéthodescontrio afin desélectionnerles cibles les les plus意义上的détectéesparunréseauentraînénéavecpeudonnées。
Small target detection is an essential yet challenging task in defense applications, since differentiating low-contrast targets from natural textured and noisy environment remains difficult. To better take into account the contextual information, we propose to explore deep learning approaches based on attention mechanisms. Specifically, we propose a customized version of TransUnet including channel attention, which has shown a significant improvement in performance. Moreover, the lack of annotated data induces weak detection precision, leading to many false alarms. We thus explore a contrario methods in order to select meaningful potential targets detected by a weak deep learning training. -- La détection de petites cibles est une problématique délicate mais essentielle dans le domaine de la défense, notamment lorsqu'il s'agit de différencier ces cibles d'un fond bruité ou texturé, ou lorsqu'elles sont de faible contraste. Pour mieux prendre en compte les informations contextuelles, nous proposons d'explorer différentes approches de segmentation par apprentissage profond, dont certaines basées sur les mécanismes d'attention. Nous proposons également d'inclure un module d'attention par canal au TransUnet, réseau à l'état de l'art, ce qui permet d'améliorer significativement les performances. Par ailleurs, le manque de données annotées induit une perte en précision lors des détections, conduisant à de nombreuses fausses alarmes non pertinentes. Nous explorons donc des méthodes a contrario afin de sélectionner les cibles les plus significatives détectées par un réseau entraîné avec peu de données.
