摘要

HCF-Net是一种用于红外小物体检测的深度学习网络。它主要包括三个模块：并行化斑块感知注意力（PPA）模块、维度感知选择性整合（DASI）模块和多稀释通道细化器（MDCR）模块。

PPA模块采用多分支特征提取策略，用于捕捉不同尺度和层次的特征信息。DASI模块可实现自适应信道选择和融合，提高模型的检测性能。MDCR模块则通过多个深度分离卷积层捕捉不同感受野范围的空间特征，进一步增强了模型的特征表示能力。

在SIRST红外单帧图像数据集上的实验结果表明，HCF-Net的性能良好，超过了其他传统模型和深度学习模型。

本文改进原有的PPA模块，使得得分进一步的提高，实现涨点！改进后的结构图：

论文：《HCF-Net：用于红外小目标检测的分层上下文融合网络》

红外小目标检测是一项重要的计算机视觉任务，涉及在红外图像中识别和定位微小物体，这些物体通常仅包含几个像素。然而，由于物体尺寸极小以及红外图像中通常复杂的背景，这项任务面临困难。在本文中，我们提出了一种深度学习方法 HCF-Net，通过多个实用模块显著提高了红外小目标检测的性能。具体来说，它包括并行补丁感知注意力（PPA）模块、维度感知选择性集成（DASI）模块和多空洞通道细化器（MDCR）模块。PPA 模块使用多分支特征提取策略来捕获不同尺度和级别的特征信