DOI: https://doi.org/10.1016/j.engappai.2026.114186
تاريخ النشر: 2026-02-18
المؤلف: Alina Ciocarlan وآخرون
الموضوع الرئيسي: طرق الكشف عن الأهداف بالأشعة تحت الحمراء
نظرة عامة
تقدم ورقة البحث Anomaly-Aware YOLO (AA-YOLO)، وهو نهج جديد مصمم لتعزيز اكتشاف الأهداف الصغيرة في الأشعة تحت الحمراء (IRSTD) في التطبيقات الدفاعية. تكافح طرق اكتشاف الأجسام التقليدية مع معدلات إنذار كاذب عالية بسبب الخلفيات المعقدة وأحجام الأهداف الصغيرة. يتناول AA-YOLO هذه المشكلة من خلال دمج آلية اكتشاف الشذوذ الإحصائي في رأس الكشف لشبكات YOLO، مما يسمح بتحديد الأهداف الصغيرة كانحرافات عن توزيع الخلفية. لا يحسن هذا الدمج دقة الكشف فحسب، بل يحافظ أيضًا على أداء تنافسي عبر معايير IRSTD المختلفة، مما يظهر القوة في الظروف الصعبة مثل البيانات التدريبية المحدودة والضوضاء.
تشير النتائج إلى أن AA-YOLO يحقق نتائج رائدة في مجال التكنولوجيا على معيارين بارزين من IRSTD، مما يعزز بشكل كبير أداء نماذج YOLO الحالية لاكتشاف الأجسام الصغيرة. من الجدير بالذكر أن الطريقة تتفوق في سيناريوهات التدريب القليل، حيث تحقق 90% من الأداء الكامل على مجموعة بيانات SIRST. تتيح مرونة AA-YOLO تطبيقه على هياكل YOLO المختلفة، بما في ذلك النماذج الخفيفة، مما يجعله حلاً عمليًا للتطبيقات الواقعية ذات القيود على الموارد. يخطط المؤلفون لإصدار الشيفرة بشكل علني، مما يعزز المزيد من البحث وتطبيق طريقتهم.
مقدمة
تناقش مقدمة الورقة التحديات المرتبطة باكتشاف الأهداف الصغيرة في الأشعة تحت الحمراء (IRSTD)، وخاصة الصعوبات التي تطرحها أحجام الأهداف الصغيرة، والخلفيات المعقدة، وممارسات التوصيف الذاتية. بينما حققت طرق التعلم العميق أداءً رائدًا باستخدام تقنيات مثل الهياكل المتداخلة الكثيفة وآليات الانتباه، فإنها تواجه قيودًا كبيرة بسبب اعتمادها على شبكات التقسيم. تشمل هذه القيود مشكلات موضوعية التوصيف، وتجزئة الأجسام، ومشكلات الجوار، التي يمكن أن تؤثر سلبًا على مقاييس التدريب والتقييم، خاصة في التطبيقات الحرجة مثل الأمن المدني.
لمعالجة هذه التحديات، يقترح المؤلفون نهجًا جديدًا يسمى Anomaly-Aware YOLO (AA-YOLO)، الذي يكشف عن الأهداف الصغيرة في الأشعة تحت الحمراء كشواذ إحصائية ضد الخلفية. تستخدم هذه الطريقة إطار اختبار فرضية إحصائية في الفضاء الكامن، مما يسمح بحد أدنى من الافتراضات حول هيكل الخلفية. يقدم المؤلفون رأس الكشف المعتمد على الشذوذ (AADH)، الذي يدمج اختبار الشذوذ الإحصائي لتعزيز أداء IRSTD مع الحفاظ على الكفاءة الحسابية والبيانية. يظهر إطار AA-YOLO أداءً قويًا مع عدد أقل من معلمات التدريب مقارنة بالطرق الرائدة الحالية ويظهر قوة في إعدادات اقتصادية مختلفة، مما يجعله حلاً عمليًا للتطبيقات الواقعية.
طرق
تستعرض هذه القسم المنهجيات المستخدمة في اكتشاف الأهداف الصغيرة في الأشعة تحت الحمراء (IRSTD)، مع تسليط الضوء على التقدم في تقنيات التعلم العميق التي تحسن أداء الكشف ضد الخلفيات المعقدة. يتم تصنيف الطرق إلى نهج التقسيم واكتشاف الأجسام. تفضل الشبكات التقسيمية لقدرتها على استخراج ميزات مفصلة، مع تحسينات مثل آليات الانتباه والهياكل الجديدة مثل DNANet، التي تعالج فقدان المعلومات في طبقات التجميع. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك التجزئة وأخطاء الجوار في خرائط التقسيم. تواجه طرق اكتشاف الأجسام، وخاصة تلك المعتمدة على إطار YOLO، صعوبات في اكتشاف الأجسام الصغيرة بسبب عدم توازن الفئات والحساسية لأخطاء التحديد. لمواجهة هذه المشكلات، تم تطوير وظائف خسارة متخصصة، مثل خسارة Scale Dynamic والمسافة المعيارية Wasserstein، التي أظهرت تحسينات كبيرة في الأداء.
تستخدم الإعدادات التجريبية مجموعتين بارزتين من البيانات، SIRST و IRSTD-1k، لتقييم الطرق المقترحة. تتكون مجموعة بيانات SIRST من 427 صورة تحت الحمراء، بينما توفر مجموعة بيانات IRSTD-1k مجموعة أكبر من 1000 صورة عالية الدقة. ينفذ المؤلفون نهجًا فعالًا من حيث الموارد يدمج رأس الكشف المعتمد على الشذوذ (AADH) في هياكل YOLO، مما يعزز قدرات اكتشاف الأجسام الصغيرة. تشمل مقاييس التقييم درجة F1، والدقة المتوسطة (AP)، ومقاييس محددة للأجسام الصغيرة جدًا، مع معيار مريح للإيجابيات الحقيقية لاستيعاب التوصيفات الذاتية. تهدف الدراسة إلى سد الفجوات الحالية في منهجيات IRSTD من خلال إظهار أداء قوي عبر إعدادات مختلفة ومقارنات مع تقنيات رائدة.
نتائج
يقدم قسم النتائج تقدمًا كبيرًا تم تحقيقه من خلال دمج وحدة AADH في مختلف نماذج YOLO الأساسية، مما يظهر أداءً جديدًا رائدًا في مجال التكنولوجيا (SOTA) على مجموعتي بيانات SIRST و IRSTD-1k. كما هو موضح في الجدول 1، تعزز وحدة AADH باستمرار أداء مستوى الجسم عبر نماذج مختلفة، مع تحسينات ملحوظة في مقاييس مثل F1 والدقة المتوسطة (AP). على سبيل المثال، تتفوق تكوين AA-YOLOv7t على EFLNet بنسبة 1.1% في AP على مجموعة بيانات IRSTD-1k بينما تستخدم ست مرات أقل من معلمات التدريب. بالإضافة إلى ذلك، يظهر متغير AA-YOLOv5-seg أداءً تنافسيًا ضد طرق التقسيم الرائدة، متفوقًا بشكل خاص في مقاييس التقاطع على الاتحاد (IoU).
تسلط التحليلات النوعية الضوء على فعالية وحدة AADH، كما هو موضح في الشكل 4، حيث تنتج الطريقة خرائط درجات كائن أكثر نظافة مقارنة بـ YOLOv7t و EFLNet. يؤدي هذا التحسين إلى تمثيلات أهداف متميزة مع تقليل الضوضاء الخلفية، مما ينتج عنه معدلات دقة عالية حتى عند عتبات الكشف المنخفضة، كما تؤكده منحنيات الدقة في الشكل 5. تمثل القدرة على الحفاظ على عتبة ثابتة ومنخفضة عبر صور مختلفة ميزة تشغيلية كبيرة، مما يقلل من الحاجة إلى التعديلات اليدوية ويعزز القوة ضد الإنذارات الكاذبة. بشكل عام، تشير هذه النتائج إلى أن وحدة AADH تحسن بشكل كبير كل من اكتشاف الأجسام وقدرات تقسيم الكائنات، مما يمهد الطريق لمزيد من البحث في هذا المجال.
نقاش
في هذا القسم، يناقش المؤلفون دمج تقنيات اكتشاف الشذوذ في شبكة تعتمد على YOLO لتعزيز اكتشاف الأهداف الصغيرة في الصور تحت الحمراء (IR). يصنفون طرق اكتشاف الشذوذ الحالية إلى أربع مجموعات: المعتمدة على المسافة، والمعتمدة على إعادة البناء، وتصنيف فئة واحدة، والطرق الاحتمالية. يبرز المؤلفون إمكانيات دمج اكتشاف الشذوذ في أطر التعلم الموجه، ويؤكدون أن ذلك يمكن أن يحسن القوة والدقة في السيناريوهات الصعبة. طريقتهم المقترحة، المسماة Anomaly-Aware YOLO (AA-YOLO)، تعدل هيكل YOLO من خلال تقديم رأس كشف معتمد على الشذوذ (AADH) يعيد تقدير درجات الكائنات بناءً على اختبارات الشذوذ الإحصائي، باستخدام توزيع أسي ذو أبعاد C كفرضية صفرية لنمذجة الخلفية.
يقدم المؤلفون أدلة تجريبية تظهر قوة AA-YOLO تحت ظروف مختلفة، بما في ذلك التدريب القليل والبيانات الضوضائية. ويبلغون أن متغيرات AA-YOLO تحافظ على أداء قوي حتى مع بيانات تدريب محدودة وتتفوق على الطرق التقليدية في البيئات الضوضائية. بالإضافة إلى ذلك، تظهر الطريقة قابلية نقل واعدة إلى مجموعات بيانات وطرز مختلفة، مما يشير إلى مرونتها. تكشف دراسات الإزالة أن اختيار صياغة اختبار الإحصاء وعدد القنوات في AADH يؤثر بشكل كبير على أداء الكشف، حيث تحقق الفرضية الأسية نتائج متفوقة. بشكل عام، يستنتج المؤلفون أن AA-YOLO لا يعزز فقط اكتشاف الأجسام الصغيرة في الصور تحت الحمراء، بل يقدم أيضًا حلاً خفيف الوزن وقابل للتعديل يمكن تطبيقه على مهام الكشف المختلفة بخلاف التصوير بالأشعة تحت الحمراء.
DOI: https://doi.org/10.1016/j.engappai.2026.114186
Publication Date: 2026-02-18
Author(s): Alina Ciocarlan et al.
Primary Topic: Infrared Target Detection Methodologies
Overview
The research paper introduces Anomaly-Aware YOLO (AA-YOLO), a novel approach designed to enhance Infrared Small Target Detection (IRSTD) in defense applications. Traditional object detection methods struggle with high false alarm rates due to complex backgrounds and small target sizes. AA-YOLO addresses this issue by incorporating a statistical anomaly detection mechanism into the detection head of YOLO networks, allowing small targets to be identified as deviations from the background distribution. This integration not only improves detection accuracy but also maintains competitive performance across various IRSTD benchmarks, demonstrating robustness in challenging conditions such as limited training data and noise.
The findings indicate that AA-YOLO achieves state-of-the-art results on two prominent IRSTD benchmarks, significantly enhancing the performance of existing YOLO models for small object detection. Notably, the method excels in few-shot training scenarios, achieving 90% of the full performance on the SIRST dataset. The versatility of AA-YOLO allows it to be applied to different YOLO backbones, including lightweight models, making it a practical solution for real-world applications with resource constraints. The authors plan to publicly release the code, promoting further research and application of their method.
Introduction
The introduction of the paper discusses the challenges associated with InfraRed Small Target Detection (IRSTD), particularly the difficulties posed by small target sizes, complex backgrounds, and subjective annotation practices. While deep learning methods have achieved State-Of-The-Art (SOTA) performance using techniques like dense nested architectures and attention mechanisms, they face significant limitations due to their reliance on segmentation networks. These limitations include issues of annotation subjectivity, object fragmentation, and adjacency problems, which can adversely affect training and evaluation metrics, particularly in critical applications such as civil security.
To address these challenges, the authors propose a novel approach called Anomaly-Aware YOLO (AA-YOLO), which detects small IR targets as statistical anomalies against the background. This method employs a statistical hypothesis testing framework in latent space, allowing for minimal assumptions about background structure. The authors introduce the Anomaly-Aware Detection Head (AADH), which integrates statistical anomaly testing to enhance IRSTD performance while maintaining computational and data frugality. The AA-YOLO framework demonstrates strong performance with fewer training parameters compared to existing SOTA methods and shows robustness in various frugal settings, making it a practical solution for real-world applications.
Methods
The section outlines the methodologies employed in infrared small target detection (IRSTD), highlighting advancements in deep learning techniques that improve detection performance against complex backgrounds. The methods are categorized into segmentation and object detection approaches. Segmentation networks are favored for their ability to extract detailed features, with enhancements such as attention mechanisms and novel architectures like DNANet, which addresses information loss in pooling layers. However, challenges remain, including fragmentation and adjacency errors in segmentation maps. Object detection methods, particularly those based on the YOLO framework, face difficulties in detecting small objects due to class imbalance and sensitivity to localization errors. To counter these issues, specialized loss functions have been developed, such as the Scale Dynamic loss and the Normalized Wasserstein Distance, which have shown significant improvements in performance.
The experimental setup utilizes two prominent datasets, SIRST and IRSTD-1k, to evaluate the proposed methods. The SIRST dataset consists of 427 infrared images, while the IRSTD-1k dataset offers a larger collection of 1000 higher-resolution images. The authors implement a resource-efficient approach that integrates an Anomaly-Aware Detection Head (AADH) into YOLO architectures, enhancing small object detection capabilities. The evaluation metrics include the F1 score, Average Precision (AP), and specific metrics for very small objects, with a relaxed criterion for true positives to accommodate subjective annotations. The study aims to bridge existing gaps in IRSTD methodologies by demonstrating robust performance across various settings and comparisons with state-of-the-art techniques.
Results
The results section presents significant advancements achieved through the integration of the AADH module in various YOLO baselines, demonstrating new state-of-the-art (SOTA) performance on the SIRST and IRSTD-1k datasets. As shown in Table 1, the AADH module consistently enhances object-level performance across different models, with notable improvements in metrics such as F1 and Average Precision (AP). For instance, the AA-YOLOv7t configuration outperforms the EFLNet by 1.1% in AP on the IRSTD-1k dataset while utilizing six times fewer training parameters. Additionally, the AA-YOLOv5-seg variant exhibits competitive performance against leading segmentation methods, particularly excelling in Intersection over Union (IoU) metrics.
Qualitative analyses further highlight the effectiveness of the AADH module, as illustrated in Figure 4, where the method produces cleaner objectness score maps compared to YOLOv7t and EFLNet. This optimization leads to distinct target representations while minimizing background noise, resulting in high precision rates even at low detection thresholds, as confirmed by the precision curves in Figure 5. The ability to maintain a low, fixed threshold across various images represents a substantial operational advantage, reducing the need for manual adjustments and enhancing robustness against false alarms. Overall, these findings suggest that the AADH module significantly improves both object detection and instance segmentation capabilities, paving the way for future research in this domain.
Discussion
In this section, the authors discuss the integration of anomaly detection techniques into a YOLO-based network to enhance small target detection in infrared (IR) images. They categorize existing anomaly detection methods into four groups: distance-based, reconstruction-based, one-class classification, and probabilistic methods. The authors highlight the potential of incorporating anomaly detection into supervised learning frameworks, arguing that this could improve robustness and accuracy in challenging scenarios. Their proposed method, termed Anomaly-Aware YOLO (AA-YOLO), modifies the YOLO architecture by introducing an Anomaly-Aware Detection Head (AADH) that re-estimates objectness scores based on statistical anomaly tests, specifically using a C-dimensional exponential distribution as the null hypothesis for background modeling.
The authors present empirical evidence demonstrating the robustness of AA-YOLO under various conditions, including few-shot training and noisy data. They report that AA-YOLO variants maintain strong performance even with limited training data and outperform traditional methods in noisy environments. Additionally, the method shows promising transferability to different datasets and modalities, indicating its versatility. The ablation studies reveal that the choice of statistical test formulation and the number of channels in AADH significantly influence detection performance, with the exponential hypothesis yielding superior results. Overall, the authors conclude that AA-YOLO not only enhances small object detection in IR images but also offers a lightweight, modular solution adaptable to various detection tasks beyond IR imaging.