Aw-DuNet：一种自适应权重深度展开网络，用于高精度红外弱目标分割 徐阳（Xu Yang） 李傲翔（Aoxiang Li） 张汉翠（Hancui Zhang） 吴龙（Long Wu） 杨振（Zhen Yang） 张勇（Yong Zhang） 张建龙（Jianlong Zhang）

《Applied Sciences》：Aw-DuNet: Adaptive-Weight Deep Unfolding Network for High Precision Infrared Weak Target Segmentation Xu Yang, Aoxiang Li, Hancui Zhang, Long Wu, Zhen Yang, Yong Zhang and Jianlong Zhang

　　

摘要

深度学习（DL）方法在红外弱目标分割方面取得了令人满意的性能。然而，它们在面对杂乱背景和噪声时的可解释性和鲁棒性仍然有限。我们提出了一种自适应加权深度展开网络（AwDuNet），该网络通过交替方向乘子法（ADMM）迭代实现自适应稀疏-低秩分解，将网络划分为多阶段的可解释模块以进行端到端训练。自适应权重矩阵是根据局部结构差异矩阵和稀疏增强矩阵联合估计得到的，从而在保持目标细节的同时增强了目标与背景的分离效果。为了抑制背景杂乱，我们为低秩背景重建模块（LBRM）设计了一种双路径互补注意力（DCA）机制，该机制通过同时利用空间和通道注意力来改进低秩背景建模。DCA通过并行提取局部细节和全局上下文，增强了弱目标的检测能力，并减轻了复杂背景的干扰。我们还构建了一个包含632张图像的真实场景红外数据集，用于领域外评估。该模型在公共数据集上训练后未经微调即可进行测试，以评估其实际鲁棒性。在多个公共数据集上的实验验证了AwDuNet的有效性和泛化能力。