新芽专题介绍：红外弱小目标检测

Last updated on Oct 3, 2025

选择此专题并在新芽系列课程中获得优秀的同学，可以免去前期筛选考核流程，直接进入南开大学媒体计算团队以及国家人工智能学院等合作院校团队推免生招收面试的最后一轮。

一、专题介绍

1.1 研究背景

在现代军事和国防系统中，红外成像设备是必不可少的核心感知手段。它可以全天候监视、远距离观测、探测热源目标，因此在精确制导和态势感知任务中发挥着重要作用。特别是在高价值战略武器系统中，远距离成像条件下的红外弱小目标检测，能够提供无源探测和发射前锁定功能，是保证武器系统生存性和作战效能的关键环节。也因此，红外弱小目标检测已成为各国高度重视的前沿技术方向。

1.2 研究意义

红外弱小目标通常指在远距离拍摄条件下，目标在红外图像中只占据几个像素，亮度信号微弱，很容易被复杂背景淹没。然而，能否在第一时间精准发现并跟踪这些“几乎不可见”的点，直接关系到：

  1. 军事防御与预警：提前发现隐身飞机、导弹等威胁目标，提升战略防御能力。

  2. 民用与安全：应用于空中监测、海上搜救、空间探测、卫星监控等领域。

  3. 技术推动：促进低信噪比图像建模、实时检测算法、轻量化计算等关键技术的发展。

因此，这一研究主题不仅意义重大，而且是深度学习、图像处理与目标探测领域的一个典型研究案例，非常适合作为本科生进入科研领域的启蒙训练。

▲一个典型的红外弱小目标检测场景：目标面积极小，背景复杂。

1.3 当前主要挑战

尽管方向重要，但实现红外弱小目标检测仍然面临多重挑战：

  1. 挑战一：目标小如尘埃，特征弱不可见

    • 远距离图像中的目标通常只有几个像素大小，几乎没有形状和纹理特征。

    • 信号与背景噪声相差不大（信杂比低），导致很难提取稳定的可辨特征。

    • 随着隐身技术的发展，目标的红外信号被进一步抑制。

  2. 挑战二：背景往往复杂，干扰伪装巧妙

    • 真实场景下，地表、海面、云层等各种复杂背景会产生密集的杂波，掩盖目标信号。

    • 各类光电对抗措施（红外诱饵、烟幕、伪装等）也会严重干扰目标检测。

  3. 挑战三：前端数据洪流，后端处理瓶颈

    • 为了实现大范围快速监视，成像系统通常使用超大规模红外传感器。

    • 这些传感器生成的图像分辨率非常高，处理速度成为瓶颈。

    • 搭载这些传感器的平台（如无人机或卫星）计算资源有限，并且对功耗等要求比较高，难以支撑复杂算法。

综上，红外弱小目标检测技术仍在探索突破阶段，相关指标不如常规目标检测领域，这是一个很好的学习窗口：既能接触实际需求，又能跟随前沿研究。

二、学习资料与参考文献

为了引导新芽学子逐步进入研究，本专题结构分为以下四部分：

2.1 基础教材与学习材料

在开始探险之前，你需要掌握一些基础的“内功心法”，这些是后续一切学习的基石。以下是你可以使用的一些书籍/教程：

此外，你也可以使用一些入门工具：

Tips：务必摆脱所有基础都打好后，再进行下一阶段学习的心态，在干中学，遇到不明白的再回溯补基础。

2.2 入门文献（目标检测经典方法）

学生第一阶段的阅读训练，可帮助理解目标检测/语义分割/关键点检测这一通用方向。仅用于入门，不可选择此部分文献汇报。

  • YOLO: You Only Look Once: Unified, Real-Time Object Detection (CVPR 2016)

  • Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks (NeurIPS 2015）

  • FCOS: Fully Convolutional One-Stage Object Detection (ICCV 2019)

  • DETR: End-to-End Object Detection with Transformers (ECCV 2020)

  • RepPoints: Point Set Representation for Object Detection (ICCV 2019)

  • GFL:Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection (NeurIPS 2020)

  • CenterNet: Keypoint Triplets for Object Detection (ICCV 2019)

  • Focal Loss(RetinaNet): Focal Loss for Dense Object Detection (ICCV 2017)

  • SSD: Single Shot MultiBox Detector (ECCV 2016)

  • CornerNet: Detecting Objects as Paired Keypoints (ECCV 2018)

  • FPN: Feature Pyramid Networks for Object Detection (CVPR 2017)

  • DCN: Deformable Convolutional Networks (ICCV 2017)

  • FreeAnchor: Learning to Match Anchors for Visual Object Detection (NeurIPS 2019)

  • VIT: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (ICLR 2021)

  • GIOU Loss: Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression (CVPR 2019)

  • CIOU Loss: Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression (AAAI 2020)

2.3 进阶文献（目标检测前沿方法）

学生可在此部分选择进阶文献进行专题汇报，或自行查找最新的同类重要文献。

  • AutoAssign: Differentiable Label Assignment for Dense Object Detection (arXiv 2020)

  • Deformable DETR: Deformable Transformers for End-to-End Object Detection (ICLR 2021)

  • Sparse R-CNN: End-to-End Object Detection with Learnable Proposals (CVPR 2021)

  • LSKNet: Large Selective Kernel Network for Remote Sensing Object Detection (ICCV 2023)

  • Cascade R-CNN: Delving into High Quality Object Detection (CVPR 2018)

  • Grid R-CNN (CVPR 2019)

  • Libra R-CNN: Towards Balanced Learning for Object Detection (CVPR 2019)

  • Cascade RPN: Delving into High-Quality Region Proposal Network with Adaptive Convolution (NeurIPS 2019)

  • ATSS: Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection (CVPR 2020)

  • YOLOX: Exceeding YOLO Series in 2021 (ArXiv 2021)

  • DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR (ICLR 2022)

  • DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection (ICLR 2023)

  • DiffusionDet: Diffusion Model for Object Detection (ICCV 2023)

  • RT-DETR: DETRs Beat YOLOs on Real-time Object Detection (CVPR 2024)

  • CO-DETR: DETRs with Collaborative Hybrid Assignments Training (ICCV 2023)

  • Oriented R-CNN: Oriented R-CNN for Object Detection (ICCV 2021)

2.4 红外弱小目标检测领域相关文献

结合本专题的研究背景，逐渐引导学生进入红外弱小目标检测。学生可在此部分选择进阶文献进行专题汇报，或自行查找最新的同类重要文献。

红外弱小目标检测可分为单帧、多帧弱小目标检测和红外弱小目标解混。

单帧弱小目标检测

  1. DNANet：Dense Nested Attention Network for Infrared Small Target Detection（TIP 2022）

  2. ACM：Asymmetric Contextual Modulation for Infrared Small Target Detection（WACV 2021）

  3. MSHNet：Infrared Small Target Detection with Scale and Location Sensitivity（CVPR 2024）

  4. SCTransNet：SCTransNet: Spatial-Channel Cross Transformer Network for Infrared Small Target Detection（TGRS 2024）

  5. UIUNet：UIU-Net: U-Net in U-Net for Infrared Small Object Detection（TIP 2022）

  6. OSCAR: One-Stage Cascade Refinement Networks for Infrared Small Target Detection (TGRS 2023)

  7. AuxDet: Auxiliary Metadata Matters for Omni-Domain Infrared Small Target Detection (arXiv 2025)

  8. BAFE-Net: Background Semantics Matter: Cross-Task Feature Exchange Network for Clustered Infrared Small Target Detection With Sky-Annotated Dataset (arXiv 2024)

  9. ALCNet：Attentional Local Contrast Networks for Infrared Small Target Detection（TGRS 2020）

  10. ILNet：ILNet: Low-level Matters for Salient Infrared Small Target Detection（TAES 2025）

  11. ISTDU-Net：ISTDU-Net: Infrared Small-Target Detection U-Net（IEEE Geoscience and Remote Sensing Letters 2022）

  12. RDIAN：Receptive-field and Direction Induced Attention Network for Infrared Dim Small Target Detection with a Large-scale Dataset IRDST（TGRS 2023）

多帧弱小目标检测

  1. RFR：Infrared Small Target Detection in Satellite Videos: A New Dataset and A Novel Recurrent Feature Refinement Framework（TGRS 2025）

  2. DeepPro：Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better（Arxiv 2025）

红外弱小目标解混

  1. DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing (ICCV 2025)
  2. SeqCSIST: Sequential Closely-Spaced Infrared Small Target Unmixing (TGRS 2025)

三、结语与期望

“新芽计划”的初衷是点燃新芽学子对未知探索的热情，并为大家提供一片成长的沃土。红外弱小目标检测是一个充满挑战与机遇的领域，它既是国家需求的“硬骨头”，也是学术创新的“试金石”。希望通过这个专题，新芽学子不仅能学到前沿的 AI 知识，更能培养出独立思考、动手实践和解决复杂问题的能力。

我们热切期待，在最终的汇报中，能看到大家闪耀着智慧火花的解读与创见！

Yimian Dai
Yimian Dai
Associate Professor

南开大学计算机学院副教授，专注于红外弱小目标检测、多模态视觉感知方向的研究。