近日，实验室硕士生李科萱等撰写的“CSPENet: Contour-Aware and Saliency Priors EmbeddingNetwork for Infrared Small Target Detection”研究论文，已被IEEE TGRS（中科院一区，TOP, 影响因子8.6）正式录用和在线发表。实验室博士生邓佳坤为共同一作，蒲恬老师和彭真明教授为共同通讯作者。
1. 研究背景
红外小目标探测（ISTD）广泛应用于军事和民用领域的全天候监视、预警任务。现有技术在密集杂波环境下对弱小目标的定位和轮廓信息感知存在不足，限制了其探测性能。
为了解决这一问题，作者提出了一种用于ISTD的轮廓感知和显著性先验嵌入网络（CSPENet）。设计了一个环绕收敛先验提取模块（SCPEM），可有效捕捉目标轮廓像素梯度向中心收敛的内在特征。该模块同时提取两个协作先验：用于精确目标定位的增强显著性先验和用于全面丰富轮廓细节表示的多尺度结构先验。
在此基础上，提出一种双分支先验嵌入架构（DBPEA），建立了差异化特征融合方案，形成先验嵌入的红外小目标检测网络，实现目标探测性能的显著提升。
最终，作者开发了一个注意力引导的特征增强模块（AGFEM）来细化特征表示并提高显著性估计的准确性。
2. 主要贡献
论文的主要贡献如下：
1）提出了一种新的红外小目标探测框架（CSPENet）：将红外目标的轮廓感知和显著性先验嵌入到端到端的检测框架中，提高了模型在密集杂波环境下精确目标定位和轮廓细节保持的性能。
2）开发了一个结构先验提取器（SCPEM）：包括精确空间定位的增强显著性特征和多尺度轮廓细节保持特征，便于有效捕捉红外小目标显著性和局部结构特征。
3）提出了双支嵌入的即插即用组件（DBPEA）：用于提高初始定位和空间感知能力的编码组件，及自适应深层特征融合组件（CHKIM），以精准恢复语义细节并保持结构完整性。
4） 最后，构建了注意力机制动态优化的多层特征（AGFEM）感知网络，显著提升了对微弱及不规则红外目标的探测性能。
总体框架流程如图1所示。
图1：CSPENet结构图
.webp)
图2：多方向梯度模块（MGMCB）
3. 实验结果
实验验证中，将CSPENet网络与多种SOTA方法进行了数值和可视化结果的对比，如图3所示，提出方法在检测和背景抑制性能方面表现优异。
.webp)
.webp)
图3：与SOTA方法的性能对比与可视化结果