Small target detection using deep learning
Détection de cibles de petite taille par deep learning
Résumé
Detecting small objects in infrared images is a challenging yet critical task in defense, especially when it comes to differentiating these targets from a noisy or textured background. Conventional object detection methods have difficulties in finding the balance between high detection rate and low false alarm rate. While some existing approaches have improved feature map responses for small objects, they frequently fail to manage false alarms caused by background elements. To address this, we introduce an a contrario decision criterion into neural network training. This statistical test enhances feature map responses while controlling the number of false alarms (NFA) and can be integrated into any semantic segmentation network. The NFA module improves infrared small target detection (IRSTD) and increases robustness in few-shot settings. However, segmentation networks can lead to object fragmentation, causing false alarms and distorting counting metrics. To mitigate this, the a contrario criterion has been integrated into the YOLO detection head. The second part of the thesis focuses on overcoming the challenges of limited annotated samples through self-supervised learning (SSL). To this end, we conduct a survey on SSL strategies for image representation learning, with an emphasis on methods adapted for small object detection. We then benchmark several SSL strategies across different datasets, including IRSTD datasets. This study allows us to provide a roadmap to guide future practitioners in selecting an appropriate SSL strategy based on various parameters. Finally, combining both a contrario and SSL paradigms has led to impressive performance for IRSTD.
La détection de petits objets dans les images infrarouges (IR) est une tâche complexe mais cruciale en défense, surtout lorsqu'il s'agit de distinguer ces cibles d'un fond texturé. Les méthodes de détection d'objets classiques peinent à trouver un équilibre entre un taux de détection élevé et un faible taux de fausses alarmes. Bien que certaines approches aient amélioré les réponses des cartes de caractéristiques pour les petits objets, elles restent tout de même sensibles aux fausses alarmes induites par les éléments du fond. Pour résoudre ce problème, la première partie de cette thèse introduit un critère de décision a contrario dans l'entraînement des réseaux de neurones. Cette méthode statistique améliore les réponses des cartes de caractéristiques tout en contrôlant le nombre de fausses alarmes (NFA) et peut être intégrée dans n'importe quel réseau de segmentation sémantique. Le module NFA améliore la détection des petits objets et renforce la robustesse dans des contextes d'apprentissage frugal en données. Cependant, les réseaux de segmentation peuvent entraîner une fragmentation des objets, causant ainsi des fausses alarmes et faussant les métriques de comptage. Pour atténuer cela, le critère a contrario a été intégré dans la tête de détection d'un YOLO. La deuxième partie de la thèse aborde les défis posés par le manque de données annotées grâce à l'apprentissage auto-supervisé (SSL). Nous avons réalisé une étude des catégories de SSL existantes, en mettant l'accent sur les méthodes adaptées à la détection de petits objets. Nous avons ensuite évalué plusieurs stratégies SSL sur différents jeux de données, y compris les datasets de détection de petites cibles en IR. Cette étude nous permet de proposer une feuille de route pour aider à la sélection d'une stratégie de SSL adéquate selon plusieurs paramètres. Enfin, la combinaison du SSL et du paradigme a contrario a donné des résultats impressionnants sur la détection de petites cibles en IR.
| Origine | Version validée par le jury (STAR) |
|---|