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2024年WACV国际会议发表了题为“RPCANet: Deep Unfolding RPCA Based Infrared Small Target Detection”的学术论文。2023级博士生伍风翼与商汤科技张天放博士为该论文共同第一作者，彭真明教授为唯一通讯作者，电子科技大学和丹麦University of Copenhagen为共同完成单位。

        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。随着红外数据集的丰富，数据驱动的检测方法取得了显著进步，但多数深度网络仍缺乏对红外小目标特性的分析，算法可解释性低，导致“黑盒”问题。相较之下，模型驱动的检测方法虽对场景变化敏感，但因其高可解释性和红外场景的特定特性，仍受到青睐。结合这两种方法的优势，解决红外小目标检测的挑战成为研究焦点。 

       在实验室前期大量开展的基于鲁棒主成分分析（RPCA）模型基础上，将算法进行深度展开，提出了一种基于深度展开RPCA的红外小目标检测网络（RPCANet），将深度展开首次运用到红外小目标检测任务当中。该方法将检测任务转化为稀疏目标提取、低秩背景估计和图像重建的过程，并将迭代优化步骤融入深度学习框架，用神经网络替代复杂的矩阵运算。RPCANet不仅提供清晰的可解释性，还保留了图像的本质特征。

图1 RPCANet整体/单阶段网络构造

       论文阐述了RPCANet的工作原理，通过可视化每个网络层的输出，展示了如何逐层分离低秩背景和稀疏目标。这一过程展现了网络如何分阶段精确地逼近和提取目标，确保了方法的高度可解释性。

       此外，论文也将RPCANet与其他多种SOTA方法进行数值与可视化结果的上对比（图2）。取得优异的检测效果及背景抑制效果的同时，具有较低的参数量。

图2 RPCANet与SOTA在数值与可视化结果上对比

       RPCANet架构能有效指导神经层学习低秩背景和稀疏目标，以几乎“白盒”的方式完成检测任务。我们期望这一发现能推动未来在可解释深度学习在红外小目标检测、识别领域的研究和应用。

       博士生伍风翼在WACV2024的线上会议中介绍了这项工作，并已开源网络代码，以便与业界共同探索红外小目标检测的新趋势。

图3 博士生伍风翼在WACV2024进行线上汇报

       WACV，全称IEEE/CVF冬季计算机视觉应用会议(IEEE /CVF Winter Conference on Applications of Computer Vision) , 是专注于计算机视觉应用方面的国际会议，于2008年在美国首次举办，是继CVPR、ICCV、ECCV三大顶会外的一个计算机视觉国际会议，被广泛认为是该领域中的重要会议之一。

      • 论文链接：RPCANet: Deep Unfolding RPCA Based Infrared Small Target Detection

      • 开源代码：https://github.com/fengyiwu98/RPCANet 

      • 新闻链接：信通学院博士生在WACV2024国际会议发表研究成果