近日，成像探测与智能感知（IDIP）实验室在红外小目标检测领域再次取得重要研究进展，在IEEE Transactions on Geoscience and Remote Sensing（SCI一区, IF=8.125, TOP期刊）发表了题为“Infrared Small Target Detection Using Spatio-Temporal 4D Tensor Train and Ring Unfolding”的学术论文。2021级硕士生伍风翼为该论文第一作者，余杭与刘安然同学分位二、三作者，彭真明教授和罗俊海副教授为论文共同通讯作者，电子科技大学信息与通信工程学院为唯一作者单位。
红外探测系统具有更好的抗干扰能力，在地面监视、空间探测及天基预警中起着重要的作用。复杂场景红外成像易受强杂波干扰，信杂比低，成像质量差。同时，由于探测距离远，成像目标所占像素少，缺少局部结构和纹理信息等。因此，长距离红外弱小目标检测面临巨大的挑战。
在实验室前期开展的3D空时张量分解模型基础上，作者充分考虑帧间的关联性和目标运动信息，提出了一种基于4D空时张量链与环分解的红外小目标检测方法。通过构建4D红外张量模型，引入张量链（TT）与张量环（TR）两种高维张量网络分解方法，分别对构建的高维红外张量进行分解，在加强了空时关联的同时，更合理地描述和近似背景张量的秩。解决了在以往3D空时张量构造中空时信息利用不充分的问题，在最大化抑制背景的同时，强化了目标检测。
图1 4D-TT/4D-TR算法流程
通过与SOTA的对比验证，实验结果表明本研究提出的模型在各种复杂场景下具有更好的检测性能。
图2 复杂场景下的目标检测结果
此外，作者还对4D红外张量构造进行了探讨，与3D张量、3D空时张量对比，进行了消融实验，进一步展示了该方法的有效性。
图3 4D与3D、3D空时张量构造的消融实验对比
实验室长期致力于红外成像目标探测及空天态势感知关键技术研究。从经典机器视觉建模，目标特征精细表征，到物理认知约束下的深度学习场景感知和目标识别，研究覆盖了面向红外成像目标探测的全域范畴，实现了红外成像环境背景和虚警源抑制、目标检测、跟踪和目标分类识别等一体化应用技术。获得授权发明专利60余件，软件著作权10余项；发表高水平学术论文百余篇；实验室牵头，获2022年度教育部科技进步二等奖。