企业官网建设流程全解析

CVPR

2026｜CHAL：先学背景再找异常，让运动红外小目标更容易被发现

1. 一句话总结

红外小目标太小、太暗，容易与背景干扰混淆。CHAL先学习背景，再通过外观异常、运动验证和因果引导定位目标，在三个红外数据集上均取得表中最佳的平均精度与F1分数。

2. 论文信息

题目：CHAL: Causal-guided Hierarchical Anomaly-aware Learning for Moving Infrared Small Target Detection | 面向运动红外小目标检测的因果引导分层异常感知学习

发表：CVPR 2026

作者：Weiwei Duan、Luping Ji*、Shipeng Lei、Sicheng Zhu、Jianghong Huang、Mao Ye

单位：电子科技大学计算机科学与工程学院

代码：

https://github.com/UESTC-nnLab/CHAL

3. 论文摘要

目前的方法大多是直接学习目标特征，但是微弱的目标没有稳定的形状和纹理，模型很容易受到云、边缘等背景的影响而产生误导。因果引导分层异常感知学习（Causal-guided Hierarchical Anomaly-aware Learning，CHAL）转而进行背景建模，在时空神经场中预测正常的背景，并分层次地识别和检验出异常情况，最后用因果引导来抑制虚假的相关性，在红外检测以及可见光遥感车辆检测中都得到了证实。

4. 主要创新之处

创新 1：以背景为中心的检测方法

把运动红外小目标检测(Moving Infrared Small Target Detection，MISTD)看作一个异常检测问题来解决由于使用微弱的目标特征所造成的困难。

创新 2：时空神经场建模背景

学习背景连续的时空演化规律可以用来判断出异常的地方。

创新 3：由外而内、由表及里、由静到动

把外观和运动异常感知的过程分成两步来完成，第一步是选出一些可能存在的地方，第二步就是用运动的一致性来辨别出真实的物体和虚假的异常。

创新4：因果关系引导

在特征空间里做干预来消除由于背景干扰所造成的假相关，并且使真正的目标对于检测起着更大的作用。

5. 方法详解

5.1 问题的界定以及整个体系的大致结构

给定连续帧的红外图像作为输入，得到最后时刻目标检测的结果。共享的CSPDarknet抽取不同尺度上的特征，并经过时空神经场、分层异常感知以及因果关系引导之后再由YOLOX进行检测。

图 1. ：检测方式的不同之处：由原来的直接学习目标变为现在的学习背景、找出异常。

图 2. ：结构因果模型以及因果推理的结果，可以阻断背景混杂路径并加强真实的因果关系。

图 3. ：CHAL的整体结构是多帧的输入依次通过背景预测、异常检测和确认、因果推理之后再输出检测的结果。

5.2 时空神经场：创建背景参照

时空神经场（Spatio-Temporal Neural Fields，SNF）把多个帧的特征结合起来，并且用两个分支来表示静态的外观和动态的运动；另外还对三维的空间坐标做傅立叶的位置编码；背景预测按照论文中给出的公式来进行映射：

为拼接后的场景编码、为位置编码得到的查询信号、为参数为的背景神经场、为预测背景。

公式解释：在场景、上下文以及位置等信息的基础上推断出正常的特征表示，并以此作为后面异常判断的标准。

5.3 分层异常感知：先发现后验证

分层异常感知学习（Hierarchical Anomaly-Aware Learning，HAL）首先对每一帧的特征和预测背景进行对比：

其中，和分别表示第帧的特征以及预测背景，在空间位置上用来表示；计算余弦相似度，表示内积操作，而则是指二范数；是一个包含残差连接的三层卷积异常放大器，它会给出外观异常的结果。

公式解释：背景差距越大，候选异常响应就越强，但是仍然会有杂波存在。所以模型继续使用三维Swin Transformer来建立时空关系、重构异常序列以及学习每一帧的重要性权重，最后得到经过运动一致性的检验后的最终异常。

5.4 因果关系引导：消除背景干扰

因果关系引导（Causal Relation Guiding，CRG）采用的是后门调整的方法，并且用可微分门控来近似处理动态背景干扰的问题，把归一化之后按照阈值为进行分层缩放，使得高异常响应被加强而低异常响应被削弱，从而得到一个异常分数，最后对特征进行调节：

是经过外观注意力处理后的关键帧特征，代表逐元素相乘操作，为门控之后得到的特征，是经过两层卷积细化模块得到的结果，而则是送入到检测头之前的最后一步特征。

公式解释：用已知的异常分数来控制各个地方特征增强的程度，然后用卷积来细化这些效果，从而把目标凸显出来而把背景干扰压制下去。

5.5 损失函数

其中和分别对目标出现的概率以及类别进行限制，两者都使用了Sigmoid Focal Loss；利用归一化的Wasserstein距离（NormalizedWassersteinDistance，NWD）来约束位置信息，其权重值为、。

公式解释：总检测损失用反向传播的方式来隐式的监督三个模块；论文并没有另外设置背景重建损失或者单独的因果损失。

❝

一句话概括该方法就是：学好背景、找出现象、用运动来检验、最后再引导检测。

6. 实验结果

6.1 实验条件

实验用的是DAUB-H、NUDT-MIRSDT和IRDST-R三种方法，输入尺寸为，多帧的方法都统一为帧；训练了轮，每批大小为，用AdamW算法，初始的学习率为，权重衰减系数为；评价指标有准确率（Precision）、召回率（Recall）、F1分数以及交并比（Intersection over Union，IoU）阈值为时的平均精度均值（mean AveragePrecision，）等；比较的对象有ISNet、PConv、SSTNet、Tridos、DTUM等；速度测试使用的是RTX 4090显卡。

6.2 定量的结果

在三个数据集中，CHAL的/F1值都处于最好的位置：DAUB-H的值是54.28%/74.15%，NUDT-MIRSDT是75.25%/87.41%，IRDST-R是71.37%/84.76%。和它最接近的方法相比，平均精度提高了2.03、2.24、3.16个百分点。但是精确率并不一定都领先，在IRDST-R中召回率为 83.02%，是最差的一个。

表 1. ：定量比较和计算开销，红色和蓝色表示最好的和第二好的结果，在多帧的方法中都用了五帧，在RTX 4090上进行测试。

图 4. ：DAUB-H和NUDT-MIRSDT上部分精确率-召回率曲线比较。

6.3 定性结果

在树荫下、弱目标和云层遮挡的目标中，CHAL的示例检测更为准确，而 PConv 和 DTUM 则存在漏检或者误检的情况。

图 5. ：三个不同数据集上检测结果的可视化比较，蓝色方块为漏报点，黄色圆圈为误报点。

6.4 可见光场景拓展

在RsCarData遥感车辆检测任务上，CHAL的、F1分别为57.37%、76.14%，相比于次优的 STF 提升了4.96、4.41个百分点；召回率为 71.78%，仍然小于 STF 的75.25%。这是对检测框架进行跨成像场景验证的一个例子。

表 4. ：可见光场景性能比较，三角形标记表示用连续五帧的方法来计算。

6.5 消融实验

在DAUB-H上，基线、加入SNF、再加入HAL、完整的模型的分别为 23.48%，43.76%，48.63%，54.28%。用通用注意力代替CRG会降低性能；和 CBAM 相比，CRG在两个消融数据集中分别提高了3.83和5.07个百分点。对于不同异常程度和颜色、纹理、运动等异常情况的测试也证明了分层验证的重要性。

表 2. ：DAUB-H和NUDT-MIRSDT上各种配置下的消融结果以及计算成本。

表 3. ：通用注意力和CRG的消融比较。

图 6. ：背景建模可视化：第一、三列为输入图像和预测背景，第二、四列为SNF前后三维响应。

图 7. ：HAL中出现外貌异常、重建时间序列异常以及最后出现异常的情况下的特征分布情况，即目标和背景之间的差别越来越大。

图 8. ：CRG前后特征热图，左边两列是DAUB-H右边两列是NUDT-MIRSDT。

图 9. ：不同大小和种类的异常所对应的消融情况。

6.6 模型复杂度

CHAL参数量为15.69M，计算量为137.04****GFLOPs，速度为12.96****FPS；DTUM参数量为9.64M、计算量为128.16GFLOPs、速度为14.28FPS；精度提高的同时伴随着更高的开销和更低的速度，轻量化还有很大的空间。

7. 结论和预测

总结

CHAL将背景学习、分层异常验证以及因果引导三者结合起来，在三个红外基准上提高检测的效果，并且推广到可见光车辆检测中去。该文还提到参数和计算开销比较大，以后可以考虑用比较轻量级的异常感知方法以及高效的因果学习方法来代替。

❝

简单来说就是先弄清楚正常的背景情况，然后再去检验出真正存在的异常情况，从而给运动红外小目标检测带来一种新的建模思路。

往期推荐