Die Infrarot-Erkennung kleiner Ziele ist entscheidend für Anwendungen von der frühzeitigen Waldbrandwarnung bis zur Bedrohungsbewertung in der Fernerkundung, doch bestehende Methoden haben Schwierigkeiten mit winzigen, kontrastarmen Zielen, denen eine ausgeprägte Form oder Textur fehlt. Ein neuer Ansatz, entwickelt von Forschern am Forschungszentrum für Weltraumoptiktechnik am Harbin Institute of Technology, veröffentlicht am 30. Juni 2026 im Journal of Remote Sensing, verspricht, einen neuen Standard für diese anspruchsvolle Aufgabe zu setzen.
Das vorgeschlagene Diffusion-Enhanced Dense Mamba Network (DEDM-Net) adressiert eine kritische Herausforderung: Infrarotziele nehmen oft weniger als 81 Pixel ein (typischerweise unter 9×9) und weisen eine extrem niedrige Energie mit Signal-Rausch-Verhältnissen um 3 auf, wodurch sie leicht in Hintergrundclustern untergehen. Die meisten Deep-Learning-Methoden konzentrieren sich ausschließlich auf Zielmerkmale und vernachlässigen Hintergrundinformationen, was zu einer schweren Klassenungleichheit führt. Das DEDM-Net überwindet dies, indem es sowohl Ziele als auch Hintergründe gleichzeitig modelliert.
Das zweistufige Netzwerk erzielt einen synergetischen Effekt. Die erste Stufe verwendet ein Dual-Path-Diffusionsmodell mit einem neuartigen Blindverarbeitungsmodul, das jedes Pixel nur anhand umgebender Informationen vorhersagt – niemals das Pixel selbst – und so verhindert, dass extrem kleine Ziele als Hintergrund fehlklassifiziert werden. Die zweite Stufe führt eine dichte verschachtelte Mamba-Architektur ein, die auf Zustandsraummodellierung (SSM) basiert und langreichweitige Korrelationen über globale und lokale Merkmale mit linearer Rechenkomplexität erfasst, ein signifikanter Vorteil gegenüber herkömmlichen Transformern. Ein stufenübergreifendes Vorhersagefusionsmodul integriert zudem Merkmale aus beiden Stufen und verbessert die Genauigkeit der Kontursegmentierung.
Bewertet auf drei öffentlichen Datensätzen – NUAA-SIRST, NUDT-SIRST und IRSTD-1k – übertraf das DEDM-Net 11 State-of-the-Art-Methoden. Auf NUDT-SIRST erreichte es 93,40 % IoU, 93,28 % nIoU, 98,37 % Erkennungswahrscheinlichkeit (P_d) und eine Falschalarmrate von nur 3,75×10⁻⁶. Auf IRSTD-1k erreichte es 73,71 % IoU und 93,89 % P_d bei nur 11,10×10⁻⁶ Falschalarmen. Diese Ergebnisse zeigen signifikante Reduzierungen sowohl bei verpassten Erkennungen als auch bei Falschalarmen in komplexen Bildgebungsumgebungen.
„Infrarot-Kleinziele sind extrem herausfordernd, weil ihnen Form und Textur fehlen – sie sind im Wesentlichen nur ein paar helle Pixel in einem Meer von Hintergrund“, sagte der korrespondierende Autor Dr. Shikai Jiang. „Indem wir sowohl den zielfreien Hintergrund als auch potenzielle Zielregionen gleichzeitig modellieren, verstärkt unser diffusionsverbesserter Ansatz effektiv, was wichtig ist, und unterdrückt, was nicht wichtig ist. Die Mamba-Architektur liefert dann den globalen Kontext, der benötigt wird, um echte Ziele von hellem Clutter zu unterscheiden.“
Die Methode verwendet ein zweistufiges Trainingsframework. In der Diffusionsverbesserungsstufe schätzt ein U-Net-Backbone Rauschen über 1.000 Diffusionsschritte, wobei ein Dual-Path-Schema sowohl Zielmasken als auch Hintergrundbilder modelliert. Das Blindverarbeitungsmodul erzeugt pixelweise Faltungskerne, die das zentrale Pixel ausschließen und so kleine Ziele effektiv aus der Hintergrundrekonstruktion entfernen. In der Erkennungsstufe extrahiert ein dichtes verschachteltes Netzwerk mit Feature-Pyramiden-Verbindungen und residualen Mamba-Blöcken multiskalige Merkmale. Die Verlustfunktion kombiniert binäre Kreuzentropie- und Dice-Verluste, um die Klassenungleichheit zu adressieren.
Während DEDM-Net eine überlegene Genauigkeit erzielt, erhöht das diffusionsbasierte zweistufige Design die Inferenzzeit im Vergleich zu einstufigen Netzwerken. Zukünftige Arbeiten werden sich auf Modelldestillation, Mixed-Precision-Inferenz und schnellere Sampler konzentrieren, um die erforderlichen Diffusionsschritte zu reduzieren. Der Ansatz ist vielversprechend für Echtzeit-Überwachungssysteme, autonome Drohnennavigation bei schlechten Sichtverhältnissen und frühzeitige Waldbranderkennungsnetzwerke. Wie das Team anmerkte, könnte das Framework auch neues Denken darüber anregen, wie generative Modelle und Zustandsraumarchitekturen für andere anspruchsvolle Computer-Vision-Aufgaben kombiniert werden können, bei denen die Trennung von Ziel und Hintergrund entscheidend ist.
Die Forschung wurde von der National Natural Science Foundation of China, der China Postdoctoral Science Foundation, der Natural Science Foundation of Heilongjiang Province und dem National Key Laboratory of Air-Based Information Perception and Fusion unterstützt. Die vollständige Studie ist verfügbar unter https://spj.science.org/doi/10.34133/remotesensing.1046, und weitere Informationen finden Sie unter http://chuanlink-innovations.com.
