La détection de petites cibles infrarouges est cruciale pour des applications allant de l'alerte précoce aux feux de forêt à l'évaluation des menaces par télédétection, mais les méthodes existantes ont du mal avec des cibles minuscules et à faible contraste qui manquent de forme ou de texture distincte. Une nouvelle approche développée par des chercheurs du Centre de recherche en génie optique spatial de l'Institut de technologie de Harbin, publiée le 30 juin 2026 dans le Journal of Remote Sensing, promet d'établir une nouvelle norme pour cette tâche difficile.
Le réseau proposé, Diffusion-Enhanced Dense Mamba Network (DEDM-Net), répond à un défi critique : les cibles infrarouges occupent souvent moins de 81 pixels (généralement moins de 9×9) et présentent une énergie extrêmement faible avec des rapports signal-bruit d'environ 3, ce qui les rend facilement submergées par le fouillis de fond. La plupart des méthodes d'apprentissage profond se concentrent exclusivement sur les caractéristiques des cibles tout en négligeant les informations de fond, ce qui conduit à un déséquilibre de classes sévère. Le DEDM-Net surmonte cela en modélisant simultanément les cibles et les arrière-plans.
Le réseau en deux étapes obtient un effet synergique. La première étape emploie un modèle de diffusion à double voie avec un nouveau module de traitement aveugle qui prédit chaque pixel en utilisant uniquement les informations environnantes—jamais le pixel lui-même—empêchant les cibles extrêmement petites d'être mal classées comme arrière-plan. La deuxième étape introduit une architecture Mamba dense et imbriquée basée sur la modélisation en espace d'états (SSM), qui capture des corrélations à longue portée à travers des caractéristiques globales et locales avec une complexité de calcul linéaire, un avantage significatif par rapport aux Transformers conventionnels. Un module de fusion de prédictions inter-étapes intègre en outre les caractéristiques des deux étapes, améliorant la précision de la segmentation des contours.
Évalué sur trois ensembles de données publics—NUAA-SIRST, NUDT-SIRST et IRSTD-1k—le DEDM-Net a surpassé 11 méthodes de pointe. Sur NUDT-SIRST, il a atteint 93,40 % d'IoU, 93,28 % de nIoU, 98,37 % de probabilité de détection (P_d) et un taux de fausses alarmes de seulement 3,75×10⁻⁶. Sur IRSTD-1k, il a atteint 73,71 % d'IoU et 93,89 % de P_d avec seulement 11,10×10⁻⁶ fausses alarmes. Ces résultats démontrent des réductions significatives à la fois des détections manquées et des fausses alarmes dans des environnements d'imagerie complexes.
« Les petites cibles infrarouges sont extrêmement difficiles car elles manquent de forme et de texture—ce ne sont essentiellement que quelques pixels brillants dans une mer d'arrière-plan », a déclaré l'auteur correspondant, le Dr Shikai Jiang. « En modélisant simultanément l'arrière-plan sans cible et les régions cibles potentielles, notre approche améliorée par diffusion amplifie efficacement ce qui compte tout en supprimant ce qui ne compte pas. L'architecture Mamba fournit ensuite le contexte global nécessaire pour distinguer les vraies cibles des éléments brillants parasites. »
La méthode emploie un cadre d'entraînement en deux étapes. Dans l'étape d'amélioration par diffusion, un squelette U-Net estime le bruit sur 1 000 étapes de diffusion, avec un schéma à double voie modélisant à la fois les masques de cibles et les images d'arrière-plan. Le module de traitement aveugle génère des noyaux de convolution pixel par pixel qui excluent le pixel central, éliminant efficacement les petites cibles de la reconstruction de l'arrière-plan. Dans l'étape de détection, un réseau dense imbriqué avec des connexions de pyramide de caractéristiques et des blocs Mamba résiduels extrait des caractéristiques multi-échelles. La fonction de perte combine l'entropie croisée binaire et les pertes Dice pour remédier au déséquilibre de classes.
Bien que DEDM-Net atteigne une précision supérieure, la conception en deux étapes basée sur la diffusion augmente le temps d'inférence par rapport aux réseaux à une seule étape. Les travaux futurs se concentreront sur la distillation de modèle, l'inférence en précision mixte et des échantillonneurs plus rapides pour réduire le nombre d'étapes de diffusion nécessaires. L'approche est prometteuse pour les systèmes de surveillance en temps réel, la navigation autonome de drones dans des conditions de faible visibilité et les réseaux de détection précoce des feux de forêt. Comme l'a noté l'équipe, le cadre pourrait également inspirer de nouvelles réflexions sur la façon dont les modèles génératifs et les architectures en espace d'états peuvent être combinés pour d'autres tâches de vision par ordinateur difficiles où la séparation cible-arrière-plan est critique.
La recherche a été soutenue par la Fondation nationale des sciences naturelles de Chine, la Fondation chinoise pour les sciences postdoctorales, la Fondation des sciences naturelles de la province du Heilongjiang et le Laboratoire national clé de la perception et de la fusion des informations aéroportées. L'étude complète est disponible à l'adresse https://spj.science.org/doi/10.34133/remotesensing.1046, et des informations supplémentaires peuvent être trouvées à http://chuanlink-innovations.com.
