红外小目标混频特征融合检测模型

红外成像的小目标通常缺乏明确的轮廓和纹理信息,导致仅依靠目标自身特征进行识别存在较大困难。为克服这一不足,本文提出了一种新型混频特征融合检测（mixed-frequency feature fusion detection, MFFD）模型,它通过充分聚合目标及周边背景的上下文信息,有效提升小目标检测性能。模型中的混频提取模块通过结合全局低频语义特征与局部高频目标细节,显著增强系统对弱小目标的感知能力;此外,模型中的多阶段融合模块通过高效协同不同级别特征的交互融合,促进更深层次的语义理解和空间信息的整合。在公开数据集NUAA-SIRST和IRSTD-1k中,MFFD-Net相较于其他五种基于深度学习的方法表现更优。与AGPC-Net相比,MFFD-Net在NUAA-SIRST数据集上的IoU和nIoU指标分别提升了4.42%和4.33%,在IRSTD-1k数据集上相应指标分别提升了3.63%和6.38%。这充分表明本模型在复杂背景下进行小目标检测具有较大的应用潜力。