低秩稀疏分解方法因其好的检测性能在红外小目标检测领域受到广泛关注。然而,现有低秩稀疏分解方法在复杂场景中仍然面临检测性能不高、检测速度较慢等问题。虽然现有的低秩塔克分解方法在复杂场景下取得了令人满意的检测性能,但其需依...低秩稀疏分解方法因其好的检测性能在红外小目标检测领域受到广泛关注。然而,现有低秩稀疏分解方法在复杂场景中仍然面临检测性能不高、检测速度较慢等问题。虽然现有的低秩塔克分解方法在复杂场景下取得了令人满意的检测性能,但其需依赖经验预先定义秩:若秩估计过大或过小,会导致漏检或虚警。而且,不同场景中秩的大小不一样,限制了实际应用。为了解决这一问题,本文采用非凸秩接近范数约束低秩塔克分解的潜在因子,无需手动设置秩,从而显著提升了算法在不同场景中的鲁棒性。进一步地,设计了基于对称高斯-赛德尔的交替方向乘子法(symmetric GaussSeidel based alternating direction method of multipliers algorithm,sGSADMM)来求解所提模型。与现有基于交替方向乘子法相比,sGSADMM算法通过利用更多结构信息,实现了更高的求解精度。大量实验表明,所提方法在检测性能和背景抑制等方面均优于现有的先进算法。展开更多
文摘低秩稀疏分解方法因其好的检测性能在红外小目标检测领域受到广泛关注。然而,现有低秩稀疏分解方法在复杂场景中仍然面临检测性能不高、检测速度较慢等问题。虽然现有的低秩塔克分解方法在复杂场景下取得了令人满意的检测性能,但其需依赖经验预先定义秩:若秩估计过大或过小,会导致漏检或虚警。而且,不同场景中秩的大小不一样,限制了实际应用。为了解决这一问题,本文采用非凸秩接近范数约束低秩塔克分解的潜在因子,无需手动设置秩,从而显著提升了算法在不同场景中的鲁棒性。进一步地,设计了基于对称高斯-赛德尔的交替方向乘子法(symmetric GaussSeidel based alternating direction method of multipliers algorithm,sGSADMM)来求解所提模型。与现有基于交替方向乘子法相比,sGSADMM算法通过利用更多结构信息,实现了更高的求解精度。大量实验表明,所提方法在检测性能和背景抑制等方面均优于现有的先进算法。
