小目标跟踪视频集.zip，红外小目标视频数据集， 可做目标跟踪算法测试，均为mp4视频文件，可直接进行目标跟踪使用 数据集名称：A dataset for infrared image dim-small aircraft target detection and tracking under ground / air background 参考的资源链接(图片数据集)：https://www.scidb.cn/en/doi/10.11922/sciencedb.902

内容概要：本文介绍了一种基于YOLOv8改进的高精度红外小目标检测算法，主要创新点在于引入了SPD-Conv、Wasserstein Distance Loss和DynamicConv三种关键技术。SPD-Conv通过空间到深度变换保留更多小目标特征，Wasserstein Distance Loss提高了对小目标位置和尺寸差异的敏感度，DynamicConv则实现了卷积核的动态调整，增强了对不同特征模式的适应性。实验结果显示，改进后的算法在红外小目标检测任务中取得了显著提升，mAP从0.755提高到0.901，同时在其他小目标检测任务中也有良好表现。 适合人群：从事计算机视觉、目标检测研究的技术人员，尤其是对红外小目标检测感兴趣的开发者。 使用场景及目标：适用于需要高精度检测红外小目标的应用场景，如工业质检、无人机监控、卫星图像分析等。目标是提高小目标检测的准确性和召回率，降低误检率。 其他说明：文中提供了详细的代码实现和技术细节，帮助读者理解和复现实验结果。建议在实践中根据具体应用场景调整模型配置和参数设置。

train: ./data/VOC2007/train.txt # 16551 images val: ./data/VOC2007/test.txt # 4952 images # number of classes nc: 1 # class names names: ['air']

单帧红外小目标数据集SIRIST

基于自适应形态学Top_Hat滤波器的红外弱小目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题，提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域，并对原图相应的目标位置进行标记和归一化处理，提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别，将提取的候选区域送入改进的AlexNet进行特征提取和预测，得到最终检测结果。分水岭方法可大大减少候选区域检测时间，以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据，并对其平移缩放形成的数据集进行仿真实验。结果表明，标记分水岭与深度CNN的结合，可有效识别船只目标，所提方法具有良好的性能，能够更加快速准确地识别红外船只目标。

摘要:针对传统基于人类视觉系统的检测方法在复杂背景下容易造成检测虚警的问题,提出一种基于双层局部对比度的红外弱小目标检测方法.首先,通过双层对角灰度差对比度分析

本文分别从提高红外图像对比度、抑制噪声、增强红外图像彩色对比度这三 个角度研究了红外弱小目标图像的增强方法。文章介绍了红外图像增强的基本概 念和图像增强的效果评价，究了红外图像的成像机理和特点。首先分析了红外弱小目标图像噪声成因和目标成像特点，在抑制噪声方面重点分析比较了平滑滤波和中值滤波的优缺点，然后分析和研究了常用的基于直方图的方法、灰度变换、空间滤波以及基于数学形态学的弱小目标图像增强算法。最后本文研究了红外弱小目标图像的伪彩色增强，实验结果表明增强后的图像改善了视觉效果，提高了对比度。

摘 要 ： 针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。 该算法首先利用分 割 算法提取红外图像中的连通区域,并对原图相应的位 置进行标记和归一 化处理 ,然后利 用HOG 特 征提 取 标记 区域 的 高维特 征 向量 ，用线 下样 本库 训 练得 到 的 SV M 分 类器 对所提 取 的 HOG 特 征 进行 高维特征 空间的分类 ，识别 目标和干扰。 仿真实验表明 ，该算法具有 良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标 。

这是对2014 IEEE trans on GRS上的经典论文LCM的实现，还没有对代码进行优化，能完成任务，但效率不太高。