#long-distance-relationship

#所爱隔山海 山海皆可平

#插播一个电脑卡掉的办法（也是打开电脑输入密码的）alt+control+delete 跳出任务管理器

一、web of science

找热点的筛选方法：

• Usage (all time) / (last 180 days)（使用次数）：指WoS平台上的用户点击、下载或保存全文的次数。“所有时间”看历史总热度，“最近180天”看近期爆款（刚发表不久但下载量飙升的论文），能帮你发现当下的研究热点。

• Date: newest first / oldest first（出版日期）：按期刊或会议的正式出版年份排序。想看最新的研究成果选“最新优先”，想追溯经典老文献选“最旧优先”。

• Citations: highest first / lowest first（被引频次）：按这篇论文被其他人引用的次数排序。“最高优先”会把该领域最经典、认可度最高的“顶梁柱”文献排在前面，是写综述时最常用的排序。

• 小总结：写综述/开题：优先选 Citations（被引频次最高优先），快速锁定领域内的高影响力经典。追热点/找创新点：优先选 Date（最新优先） 或 Usage（近180天使用次数最多），看大家都在关注什么新方向。

二、我读！

1.多层感知器融合网络，用于红外小目标检测MLP-Net: Multilayer Perceptron Fusion Network for Infrared Small Target Detection

代码：GitHub - Zhishe-Wang/MLP-Net · GitHub

有用的两个模块：

• 模块 A（PTIM / 全局雷达）解决的是：“看不清全局” 的子问题——即传统CNN只看局部，容易把复杂背景误判为目标（虚警高）或漏掉远处小目标，PTIM通过全图信息交互来抑制背景干扰。

• 模块 B（CSFM / 高清修图师）解决的是：“轮廓画不准” 的子问题——即深层语义（知道是啥）和浅层细节（知道在哪儿）在融合时容易模糊边界，CSFM通过动态筛选有用信息来精确保留小目标的边缘形状。

🧩 模块 A：PTIM（并行令牌交互混合器）—— 翻译成“全局雷达”

• 它要解决什么问题？

普通的 CNN（卷积）像个近视眼，只能看清鼻子底下的一小块区域（局部特征）。如果小目标躲在远处角落，CNN 就看不见它。

PTIM 的作用：给它装上一个“全景雷达”。它能让图片左上角和右下角的像素“打电话”，把全图扫一遍，找到那个躲在复杂背景里的小亮点。

• 它长什么样？（看它的接口）

你不需要管它内部怎么算，只看它的“快递收发室”：

• • 输入：一张 H x W x C 的特征图（比如 16x16x256）。
  • 输出：一张 H x W x C 的特征图（尺寸、通道数完全没变，还是 16x16x256）。
• 为什么说它是“即插即用”？

因为尺寸没变，它就像个“滤镜”或“插件”。你可以把它塞进任何网络的中间。至于它里面是怎么扫的，那是作者的事，你只要知道它能“看清全局”就行。

---

🧩 模块 B：CSFM（上下文选择融合模块）—— 翻译成“高清修图师”

• 它要解决什么问题？

Decoder 阶段要把小图放大成原图。但有个矛盾：

• • 深层特征（大后期）：知道“这是个飞机”（语义准），但轮廓模糊。
  • 浅层特征（前期）：知道“边缘在这里”（位置准），但容易把杂草也当成目标。

CSFM 的作用：当个聪明的修图师。它把深层的“大框架”和浅层的“细边缘”拿过来，挑出最可靠的部分拼在一起。哪个通道有用就保留，哪个空间位置是噪声就扔掉。

• 它长什么样？（看它的接口）

它至少要接收 2 个输入：

• • 输入 1：来自深层的大尺度语义特征（Φ_p^l，比较糊）。
  • 输入 2：来自浅层的小尺度细节特征（Φ_p^{l-1}，比较清楚）。
  • 输出：一张融合后更精准的新特征图。
• 为什么说它是“特征金字塔改进”？

因为 YOLO 传统的融合就是粗暴地“加起来”或“拼起来”，而这个 CSFM 是“带脑子”地去挑选和加权，融合效果通常会更好。

---

🔗 这三个东西在你的模型里怎么串起来？（灵魂画手时间）

假设你有一个基础的 CNN 网络（比如 YOLO 的骨架）：

1. 图片进来 →
2. 经过 CNN 骨干（Encoder），提取出不同层级的特征（浅层细节、深层语义）→
3. （在这里插入你的模块 A） 把提取出来的特征丢进 PTIM（全局雷达），让网络把全图关系看清楚，减少背景误报 →
4. 进入 Decoder（上采样放大），准备还原图像大小 →
5. （在这里插入你的模块 B） 在放大的过程中，把深层和浅层的特征丢进 CSFM（高清修图师），让边缘轮廓更精确 →
6. 输出最终的检测结果。

插曲：看一个特征金字塔的介绍视频（抖音）

为啥用FPN（feature pyramid network特征金字塔网络？）

-因为R-CNN啥的太粗糙无法检测到小物体

下面第一张是以前传统的图像金字塔

介绍FPN

2.用于红外小目标检测的频域解耦双向交互注意力网络FDDBA-NET: Frequency Domain Decoupling Bidirectional Interactive Attention Network for Infrared Small Target Detection

有用模块：

模块 C（FDD / 频谱分离器）解决的是“目标和背景长得太像分不清”的问题——即在输入端通过FFT把图像拆成频率信号，用两个可学习的筛子分别提取目标专属频谱和背景频谱，让网络只盯着目标看，放在网络最前端（预处理层），即插即用。

模块 D（BIAM / 双向传话筒）解决的是“深层语义（有脑子但模糊）和浅层细节（有眼睛但没脑子）融合不充分”的问题——即通过双向交互让深层特征和浅层特征互相传递信息（不仅深层指挥浅层，浅层也反向补充细节给深层），放在网络中部/后部（特征融合层），是和CSFM同功能但实现不同的替代方案。

模块 C：FDD（频域解耦模块）—— 翻译成“频谱分离器”

• 它解决什么子问题？ 你之前问过“目标和背景长得像怎么办？” 这篇就专门解决这个问题。它在输入阶段就把图像变换到频率域，用两个可学习的“筛子（Mask）”把目标和背景的频谱强行分开。

• 位置：网络最前端（预处理层），在所有卷积操作之前。

• 输入/输出：

  • 输入：原始红外图像（H×W×C）。

  • 输出：分离后的两张图——“目标专属图（I_ts）”和“背景一致图（I_tg）”（尺寸和原图一模一样）。

• 潜力判断：✅ 这是一个前端预处理插件。它可以接在任何骨干网络（YOLO、UNet）前面！而且作者在实验里专门说了（Table V），这个 FDD 模块可以 “即插即用（Plug-and-Play）” 地挂载到其他网络上提升性能。

模块 D：BIAM（双向交互注意力模块）—— 翻译成“双向传话筒”

• 它解决什么子问题？ 解决“深层语义（远景）”和“浅层细节（近景）”融合不好的问题。但你注意到没有，这和第一篇的 CSFM（高清修图师） 解决的其实是同一个大类问题（特征融合）！只是实现方法不同：

  • CSFM（第一篇）：是“单方向”的，主要把深层语义传给浅层去精修轮廓。

  • BIAM（这篇）：是“双向”的，不仅深层传给浅层，浅层的细节也反向传给深层，让深层特征也能看清细节。

• 位置：网络中部/后部（特征融合层/Decoder），和第一篇的 CSFM 位置重叠。

• 潜力判断：⚠️ 和 CSFM 功能重叠（都在做融合）。你将来设计模型时，大概率要二选一，或者把其中一个作为对比实验（看看谁效果好）。

🔍 重点读什么？

作为本科生，你现在绝对不要去抠公式（3）（6）（7）的数学推导，那会把你绕晕。你只需要去论文里挖这3个地方的结论性句子：

1. 看 Table V（第11页）：作者把 FDD 模块挂载到其他网络（ACM、DNANet）上，指标都涨了。这证明了 FDD 是个“即插即用”的好模块——这就是你将来要用的证据！

2. 看 Table VII（第13页）：作者对比了 5 种不同的特征融合方法（加法、拼接、乘法、单向、双向）。结果 BIAM（双向）排第一，单项（SLOD）排第二。这证明“双向交互”比“单向”更有效。

3. 看 Table VIII（第14页）：作者发现“交替训练”比“一起训练”效果好。这给你提了个醒：如果你将来把 FDD 和检测网络拼在一起，训练策略可能也得专门设计。

主要内容一张图（论文里的figure4）

📍 整体布局（图片分为 4 个区域）

这张图的布局是：(a) (b) (c) (d)

---

🅰️ 区域 (a) —— 左侧（输入端）—— “频谱分离器” FDD

图里的英文标签	中文翻译	大白话解释
Original infrared image I	原始红外图像	输入的图片
FFT	快速傅里叶变换	把图片从“空间域”转换到“频率域”的数学操作
Amplitude Spectrum (I^A)	振幅谱	频谱的一部分，代表“信号的强度/能量”
Phase Spectrum (I^P)	相位谱	频谱的另一部分，代表“信号的位置/结构”
Learnable Specific Mask (\xi_{ts})	可学习的目标专用掩码	一个可训练的“筛子”，专门提取目标频段
Learnable Background Mask (\xi_{tg})	可学习的背景掩码	一个可训练的“筛子”，专门提取背景频段
I_ts（Specific Feature）	目标专属特征	分离出来的“有用图”（只含目标频谱）
I_tg（Consistent Feature）	背景一致特征	分离出来的“有害图”（只含背景频谱）

第一步：左侧 —— 输入端（把目标和背景的“频率信号”拆开）

1. 输入：一张原始红外图像（就一张普通灰度图）。
2. FFT（快速傅里叶变换）：把这张图从“空间位置”转换成“频率信号”——就像把一首歌拆成“高音、中音、低音”一样。
3. 拆成两份：
   • 振幅谱：记录信号强度（哪些频率能量大）。
   • 相位谱：记录信号位置（这些频率在图像的什么位置）。
4. 两个可学习的“筛子（掩码）”：
   • 筛子①（目标专用）：从振幅谱里筛出“目标特有的频率” → 得到 “目标分离图”（只剩下目标的信号）。
   • 筛子②（背景专用）：从振幅谱里筛出“背景特有的频率” → 得到 “背景分离图”（只剩下背景的信号）。
5. 输出：两张图和原图一样大：“目标分离图” 和 “背景分离图”。

对应你图(a)的产出：就是那两条向下的箭头，指向中间的大框。

---

🅱️ 区域 (b) —— 中间（特征提取）—— “U-Net 骨架”

图里的英文标签	中文翻译	大白话解释
U-shape Dense Network	U形密集网络	骨干网络，用来提取特征（类似UNet的结构）
Shared U-shape Dense Network	共享权重的U形密集网络	两个输入（有用图+有害图）共用同一个网络（权重一样）
ST0, ST1, ST2, ST3, ST4	目标特征图（第0~4层）	有用图经过网络后，每一层输出的特征
PB0, PB1, PB2, PB3, PB4	背景特征图（第0~4层）	有害图经过网络后，每一层输出的特征

第二步：中间 —— 特征提取（分别提取目标和背景的“特征”）

两条路径：

把 “目标分离图” 送进一个 U-Net 网络 → 提取出 5层“目标特征图”（从浅层到深层，编号0~4）。

把 “背景分离图” 送进 同一个 U-Net 网络（权重共享，保证公平） → 提取出 5层“背景特征图”（从浅层到深层，编号0~4）。

这里的关键：U-Net 每层输出的特征图，分辨率不一样——浅层（第0层）最大（细节丰富），深层（第4层）最小（语义抽象）。

对应你图(b)的产出：左边一排是“目标特征图 0~4”，右边一排是“背景特征图 0~4”。

【关于分辨率不同】

---

🅲 区域 (c) —— 右上方（IRSTD Head）—— “检测头”

图里的英文标签	中文翻译	大白话解释
IRSTD Head	红外小目标检测头	负责输出最终检测结果的网络头
1×1 conv	1×1 卷积	把特征图压缩成单通道的置信度图
Result	检测结果	输出最终的置信度图（哪里有小目标）
Detection Loss	检测损失函数	计算预测结果和真实标签的误差，用来训练网络

第三步：右上方 —— 检测头（输出目标在哪）

1. 输入：从“目标特征图”里挑一些层（或者融合后的特征）。
2. 1×1 卷积：把多通道的特征图压缩成 “单通道的置信度图”（即每个像素 0~1 的概率值）。
3. 输出结果：一张置信度图（亮的地方就是模型预测的目标位置）。
4. 计算检测损失：把这张预测图和“人工标注的真实图”做对比，算出差距 → 用来训练网络，让它下次预测更准。

对应你图(c)：就是这个分支最终产出“检测结果”。

---

🅳 区域 (d) —— 右下方（Contrastive Head）—— “对比头”

图里的英文标签	中文翻译	大白话解释
Contrastive Head	对比头	专门用来拉大“目标特征”和“背景特征”差距的分支
ROI Align	兴趣区域对齐	把目标区域的像素抠出来，统一成相同大小
Contrastive Loss 0~4	对比损失（第0~4层）	在每一层都计算一次“目标和背景的差距”，加起来作为总损失

第四步：右下方 —— 对比头（强行拉大目标和背景的差距）

这个分支 不参与最终检测输出，它只在 训练阶段 起作用，目的是让网络学会更好地分离目标和背景。

输入：从中间步骤拿到的“目标特征图 04”和“背景特征图 04”。

ROI Align（兴趣区域对齐）：把目标所在区域的特征“抠出来”，统一缩放到相同大小（比如 9×9）。

计算对比损失：

让 同一张图里不同目标的特征 尽量相似（拉近）。

让 目标和背景的特征 尽量不相似（拉远）。

结果：网络被“惩罚”后，会调整那两个筛子（掩码），让“目标分离图”更纯净、背景压得更干净。

对应你图(d)：这个分支只负责在训练时“督导”前端学习，推理（实际使用时）会被扔掉。

---

🔗 完整串联（从头到尾读一遍）

输入一张红外图 →

FFT 转成频率信号 →

两个筛子分别提取“目标频率”和“背景频率” →

得到两张图：目标分离图 + 背景分离图 →

分别送进 U-Net，各自提取 5 层特征 →

分两条路走：

• 路①（检测）：拿目标特征 → 1×1 卷积压成置信度图 → 输出预测结果 → 算检测损失（监督检测准不准）。
• 路②（对比）：拿目标特征和背景特征 → 抠出目标区域 → 算对比损失（监督目标和背景分得开不开）。

两条路的损失加起来，反向传播更新整个网络。在实际使用（推理）时，路②被丢掉，只走路①输出结果。

插曲：

看到置信度（不是yolo里边的）但是看不懂 所以去了解了一下yolo参数

b站：yolo系列检测模型参数和训练结果分析_哔哩哔哩_bilibili

（1）IoU就是红色预测框和绿色实际检测狂的交集除以并集

（2）TP,FP,FN值

TP：IoU交并比大于设定阈值的框的数量

FP：IoU交并比小于设定阈值的框的数量（检测出来的框总数-TP）

FN：真实的框总数-TP

（3)P精度和R召回率

P=TP/TP+FP

R=TP/TP+FN

(4)置信度：模型认为检测到目标框的可能概率

置信度越高就说明检测到目标框的可能越大

下图特点：

①

②

（5）AP平均精度

就是根据前面的PR曲线画出来一张图，积分求面积（0-1区间）

（6）结果分析

后面就没看了