王若然1. 红外小目标检测的噪声困境与解决思路
红外小目标检测（Infrared Small Target Detection）一直是计算机视觉领域的特殊挑战。与常规目标检测不同，红外图像中的目标往往只占据几个像素，缺乏纹理和形状信息，而背景噪声却异常丰富。我在实际项目中发现，当目标尺寸小于9×9像素时，传统检测器的性能会断崖式下跌。
当前主流方法存在一个共性误区：过度依赖高频特征。以DNANet为代表的先进模型，通过复杂的特征金字塔网络（FPN）结构强化高频信息提取，确实提升了目标的响应强度。但我在复现实验时发现，这种策略会同步放大高频噪声，导致虚警率（False Alarm Rate）居高不下。具体表现为：热源残影、传感器噪声、云层边缘等干扰区域被误检为目标的概率超过30%。
离散小波变换（DWT）为我们提供了新的分析视角。当我们将640×512的红外图像分解为LL（低频）、LH（水平高频）、HL（垂直高频）、HH（对角高频）四个子带时，观察到两个关键现象：
- 目标能量主要集中在HH子带，但该频段同时包含70%以上的噪声能量
- LL子带虽然模糊了目标边界，却能保留目标区域的能量分布趋势
这引出了NS-FPN的核心设计哲学：用低频信息引导高频噪声抑制。具体通过两个创新模块实现：
- LFP（Low-frequency guided Feature Purification）：建立低频到高频的注意力机制
- SFS（Spiral-aware Feature Sampling）：符合目标辐射特性的特征融合策略
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. NS-FPN架构深度解析
2.1 整体框架设计
NS-FPN的骨干网络采用ResNet18变体，在保持轻量化的同时（仅3.8M参数），通过以下改进适配红外特性：
- 首层卷积核调整为7×7， stride=2 → 增强局部上下文感知
- 移除所有BatchNorm层 → 避免小目标特征被归一化淹没
- 添加DWT预处理层 → 实现频域分解
模型的核心创新在于重构了FPN路径：
code复制原始输入 → Backbone → DWT分解 → [LFP模块] → [SFS模块] → 检测头
相比标准FPN，参数量减少42%，推理速度提升1.8倍（1080Ti实测）。