企业官网建设流程全解析

原文信息：Tuntun Wang, Jincheng Zhou, Shuai Yuan, Shunchao Guo, Yuxin Jing. “Separate and Conquer: Cluster Infrared Small Target Label Generation With Boundary and Direction Sensitivity.” IEEE Transactions on Geoscience and Remote Sensing, 2026.

代码已开源：https://github.com/wangtuntun/BDSNet

1. 痛点：集群场景下，人工标注成本太高，现有方法“粘成一团”

红外小目标检测在无人机集群监控、海上搜救等场景中至关重要。但现有深度学习方法严重依赖像素级全标注掩码，标注成本极高。

更棘手的是，当目标以集群形式密集出现时，目标尺寸极小、间距极近、边缘高度模糊，现有标签生成方法（如EDGSP、LESPS、PAL、MCGC等）极易产生标签粘连，多个目标被合并成一个连通区域，导致下游检测模型无法准确区分邻近目标。

为此，作者团队提出了BDSNet，这是首个专门为集群红外小目标设计的标签生成框架。它仅需用户提供点标注（在目标上点击一下），就能自动生成高质量的像素级掩码，且能有效避免粘连。

2. 核心思想：“先分后治” + 边界与方向双管齐下

BDSNet的核心理念可以概括为：先分后治（Separate and Conquer）。

既然集群内目标容易粘连，那就先通过空间划分把每个目标的“地盘”圈定好，再在每个子区域内独立生长，最后进行形状精修。

基于这个思路，BDSNet设计了两个级联模块：

• BRD模块（边界约束区域划分）：负责“分地盘”，生成非重叠的粗糙标签。

• MDP模块（多方向感知）：负责“精修形状”，把粗糙的圆形标签修正为符合真实目标形状的多边形。

3. BRD模块：如何用Voronoi图“圈地盘”解决粘连问题

BRD模块解决的核心问题是：点标注 → 掩码的扩张过程中，如何不让相邻目标的扩张区域相互重叠？

作者的思路很巧妙：先聚类，再分区，最后膨胀。

Step 1：聚类（先分群）

基于点标注的坐标，利用密度聚类（DBSCAN）将属于同一集群的点聚为一类，得到多个独立的点簇。

Step 2：动态Voronoi图划分（分区）

传统做法是直接对整个图像做Voronoi划分。但作者发现，直接划分会导致外围目标区域被过度扩张，边界约束失效。

因此，作者提出DVDD（动态Voronoi图划分）：

1. 对每个聚类，计算其外接矩形，并基于簇内目标间距动态向外填充一个边界宽度。

2. 在这个紧凑的外接边界内构建Voronoi图，为每个点分配一个独立的、紧凑的子区域。

这样，每个目标都被限制在一个“格子”里，从根源上杜绝了标签粘连。

Step 3：高斯平滑（点→面）

在每个子区域内，以点标注为中心进行高斯加权距离变换，再经过归一化和平滑，得到初始的粗糙圆形伪标签。

4. MDP模块：用“多方向感知”修正目标形状

BRD生成的标签是圆形的，但真实目标往往是沿某一方向拉伸的椭圆或不规则形状。MDP模块的任务就是：从灰度图中提取目标的真实方向特征，把圆形修正为正确的形状。

4.1 自适应特征提取（AFE）

传统Gabor滤波器能提取方向特征，但依赖人工预设参数，无法自适应。

作者提出卷积-Gabor融合策略：

1. 用四个固定方向（0,45,90,135）的Gabor核生成方向注意力图。

2. 将注意力图与可学习的卷积权重逐元素相乘，让网络自适应地调整各方向的响应强度。

3. 通过Canny边缘检测，自适应计算Gabor滤波器的尺度参数 σ_θ。

4.2 自适应融合（AF）

从多个方向提取的特征如何融合？传统做法是直接拼接（Concat），但忽略了方向间的协同效应。

作者引入部分信息分解（PID）理论，将多方向信息分解为三类：

• 独特信息：每个方向独有的特征。

• 协同信息：多个方向共同提供的增益。

• 冗余信息：多个方向重复的部分。

然后，根据协同信息与冗余信息的差异计算动态融合权重w_θ​，最终加权融合得到更准确的方向感知特征。

5. 损失函数：既要“不粘连”，又要“形状对”

为了引导模型学习，作者设计了两项专用损失函数：

1. 方向感知边界损失（L_DAB​）：计算预测边缘与真实边缘之间的豪斯多夫距离，迫使模型沿正确方向调整形状。

2. 重叠损失（L_O​）：显式惩罚不同目标预测掩码之间的重叠面积，进一步强化防粘连能力。

6. 实验结果：IoU提升至88.29%，近乎零虚警

作者在DenseSIRST（集群场景）和SIRST3（稀疏场景）两个数据集上进行了全面评估。

关键结论：

1. IRSTLG方法对比（表I）：BDSNet在DenseSIRST上以88.29% IoU、89.36% F1、99.85% 检测率、仅0.71% 虚警率全面超越现有方法，包括之前最好的EDGSP（81.27% IoU）。

2. 下游检测任务验证（表II）：用BDSNet生成的伪标签训练主流IRSTD模型（如SCTransNet），平均IoU达到67.67%，仅比用全标注训练的模型（68.56%）低0.89%。这说明BDSNet生成的伪标签质量已接近人工精细标注。

3. 消融实验（表III）：BRD模块单独带来12.56% IoU提升，MDP模块单独带来8.53% IoU提升，两者结合后达到最佳。这证明了“先分地盘”+“后修形状”的设计是有效的。

4. 可视化对比：BDSNet生成的伪标签边界清晰、无粘连，与Ground Truth高度吻合。相比之下，COM、MCGC、EDGSP等方法均出现不同程度的粘连或形状失真。

7. 总结与启发

BDSNet的贡献可以概括为三点：

1. 首个面向集群红外小目标的标签生成框架，弥补了该领域的数据标注空白。

2. 先分后治的策略，通过BRD模块的空间划分从根本上解决标签粘连问题。

3. 多方向感知与PID融合，使形状修正更精确，生成接近人工质量的伪标签。

对研究者的启发：

• 当数据标注成本高昂时，可以借鉴BDSNet的思路，用点标注+半自动生成替代全标注。

• “先分后治”的策略对于其他密集目标标注任务（如细胞分割、遥感目标检测）也有参考价值。