A Feature Prior Tensor Nuclear Norm with Improved Bilateral Filtering Regularization for Dim and Small Target Detection

In de uitgestrekte, stille leegte van de lucht verschijnt een drone of een verre raket vaak als niets meer dan een zwak, flikkerend stipje tegen een achtergrond van kolkende wolken, grillige bergkammen of het getextureerde oppervlak van de aarde. Voor infraroodcamera's, die warmte zien in plaats van zichtbaar licht, zijn deze kleine doelen berucht moeilijk te ontdekken. Ze zijn zwak, wat betekent dat ze zeer weinig energie uitzenden, en klein, waarbij ze vaak slechts enkele pixels in een enorme afbeelding innemen. De echte uitdaging ligt niet in het vinden van het doelwit, maar in het onderscheiden ervan van de achtergrond. De lucht en de grond zijn zelden leeg; ze zijn gevuld met "clutter" (rommel)—de scherpe randen van een wolk, de hoek van een gebouw, of de textuur van een bladerdak van een bos. Voor een computeralgoritme kunnen deze achtergrondkenmerken er net zo helder en scherp uitzien als het doelwit zelf, waardoor het systeem een vals alarm geeft of, erger nog, het doelwit volledig mist. Dit is een kritiek probleem voor zowel militaire defensie als burgerveiligheid, waarbij het missen van een klein object in een complexe scène ernstige gevolgen kan hebben.

Onderzoekers proberen dit al lang op te lossen door computers te leren om het "signaal" van de "ruis" te scheiden. Stel je een afbeelding voor als een gelaagde taart: de onderste laag is de gladde, onveranderlijke achtergrond, de bovenste laag is het heldere, scherpe doelwit, en de glazuur daartussen is de willekeurige statische ruis. Het doel is om de ruis en de achtergrond weg te pellen om het doelwit te onthullen. Echter, wanneer de achtergrond vol zit met scherpe randen en hoeken, hebben traditionele methoden vaak moeite, waarbij ze een tak van een boom aanzien voor een vliegtuig. Een nieuwe studie van de Guangxi University of Science and Technology stelt een frisse manier voor om met deze chaotische realiteit om te gaan. Het team ontwikkelde een methode die niet alleen naar het doelwit zoekt, maar actief leert om de specifieke soorten achtergrondpatronen te negeren die het systeem gewoonlijk in de war brengen.

De kern van deze nieuwe aanpak omvat twee hoofdstrategieën die samenwerken. Ten eerste creëerden de onderzoekers een wiskundige filter die werkt als een slimme zeef. In het verleden zouden filters een afbeelding gladstrijken om ruis te verwijderen, maar ze maakten vaak ook het doelwit samen met de achtergrond wazig. Deze nieuwe filter is "verbeterd" omdat hij het verschil begrijpt tussen een glad gebied en een scherpe rand. Hij bekijkt de afbeelding in kleine segmenten en vergelijkt deze met elkaar. Als twee segmenten qua helderheid vergelijkbaar zijn en dicht bij elkaar liggen, behandelt de filter hen als onderdeel van de achtergrond en strijkt ze glad. Maar als een segment afwijkt—misschien bevat het een klein, helder stipje dat niet overeenkomt met zijn buren—behoudt de filter dit. Hierdoor kan het systeem de complexe, ruizige achtergrond onderdrukken terwijl het zwakke doelwit intact blijft.

De tweede strategie richt zich op het specifieke probleem van hoeken en randen, die de meest voorkomende bronnen van valse alarmen zijn. De onderzoekers introduceerden een nieuwe manier om de "sterkte" van een hoek of een rand in de afbeelding te meten. Door te analyseren hoe licht verandert in verschillende richtingen rondom een punt, kan het systeem bepalen of het kijkt naar een scherpe hoek van een gebouw of een gladde curve. Ze gebruiken deze informatie vervolgens om de computer te vertellen extra voorzichtig te zijn met deze gebieden, wat effectief het algoritme zegt: "Deze scherpe rand is waarschijnlijk gewoon onderdeel van het decor, niet een doelwit." Dit voorkomt dat het systeem wordt afgeleid door de ingewikkelde details van de achtergrond, zoals de grillige contouren van een berg of de kruising van twee wegen.

Om hun idee te testen, paste het team hun methode toe op zes verschillende real-world scenario's, variërend van een doelwit dat over vlak terrein vliegt tot een doelwit dat manoeuvreert nabij de horizon. Ze vergeleken hun resultaten met zes andere vooraanstaande detectiemethoden. De visuele resultaten waren opmerkelijk. In afbeeldingen waar andere algoritmen een waas van restruis achterlieten of het doelwit volledig misten, produceerde de nieuwe methode een schoon beeld waarbij het doelwit duidelijk afstak tegen een donkere, gladde achtergrond. De onderzoekers maten het succes van hun methode met specifieke metrieken die kwantificeren hoe goed de achtergrond werd onderdrukt en hoeveel het signaal van het doelwit werd versterkt. In bijna alle testgevallen presteerde hun methode beter dan de anderen, waarbij het de hoogste scores behaalde voor achtergrondonderdrukking. In één specifiek scenario waarbij een doelwit van nabij naar veraf bewoog, verminderde hun methode de achtergrondruis aanzienlijk meer dan de concurrerende technieken.

De onderzoekers waren echter voorzichtig om op te merken dat hun methode geen perfecte oplossing is voor elke situatie. In scènes waar de achtergrond zelf gevuld is met repetitieve, gestructureerde patronen die erg lijken op het doelwit, had het systeem soms moeite om het verschil te zien, wat leidde tot een iets hoger aantal valse alarmen. Daarnaast, in scenario's waar de achtergrond al zeer schoon was en het doelwit extreem helder was, zorgde de sterke filtering toegepast door het algoritme er soms voor dat de randen van het doelwit te veel werden gladgestreken, waardoor het iets minder duidelijk werd. Deze bevindingen suggereren dat hoewel de methode zeer effectief is in complexe, rommelige omgevingen, deze mogelijk verdere verfijning nodig heeft voor specifieke, ideale omstandigheden.

Uiteindelijk demonstreert dit werk dat door een slimme filtertechniek te combineren met een dieper begrip van de geometrie van afbeeldingen, het mogelijk is om het onzichtbare te zien. De nieuwe methode biedt een betrouwbaardere manier om dimme en kleine doelwitten te detecteren in de chaotische visuele ruis van de echte wereld. Door de computer te leren de specifieke vormen te herkennen en te negeren die gewoonlijk voor verwarring zorgen, hebben de onderzoekers een instrument geleverd dat infrarood surveillance-systemen nauwkeuriger en betrouwbaarder kan maken, waardoor ervoor wordt gezorgd dat de zwakste signalen in de lucht niet verloren gaan in de ruis.