论文地址：https://arxiv.org/pdf/2503.02220

目录

一、论文背景与结构

1.1 研究背景

1.2 论文结构

二、核心创新点解读

2.1 三大创新突破

2.2 创新结构原理

2.2.1 多尺度CNN前端

2.2.2 视频Transformer设计

三、代码复现指南

3.1 环境配置

3.2 数据集准备

3.3 训练与推理

四、实验结果分析

4.1 定量对比

4.2 可视化效果

五、实际应用场景

5.1 典型应用领域

5.2 系统部署方案

六、总结与展望

---

一、论文背景与结构

1.1 研究背景

红外小目标检测（IRSTD）在无人机追踪、海上监视等场景中具有重要应用。但受限于小目标尺寸（<10像素）​、低信噪比（SCR<3）​和复杂背景干扰，传统方法存在以下痛点：

• ​单帧检测易受背景噪声干扰，导致漏检/误检
• ​多帧传统方法依赖背景建模，动态场景下稳定性差
• ​深度学习方法中CNN感受野受限，Transformer缺乏局部建模

1.2 论文结构

章节	核心内容
引言	分析现有方法局限性，提出混合架构优势
方法	提出LVNet的CNN-Transformer混合架构
实验	在IRDST和NUDT数据集验证SOTA性能
结论	总结低层特征学习的重要性

---

二、核心创新点解读

2.1 三大创新突破

1. ​低层特征优先策略

   • 发现ViT线性映射丢失局部特征
   • 用多尺度CNN替代传统patch embedding

2. ​U型视频Transformer

   • 对称编解码器保持时空一致性
   • 滑动窗口机制处理长序列

3. ​超轻量高效架构

   • 参数量仅为LMAFormer的1/221
   • 计算量降低92倍仍保持高精度

2.2 创新结构原理