提示与细化：带有噪声标签的红外小目标检测的非对称互学习

现有的数据驱动的红外小目标检测 (ISTD) 方法通常需要为模型训练提供具有精确像素级注释的大规模数据集。然而，由于严重依赖专家知识以及红外小目标固有的弱独特性，这种劳动密集型要求在实际应用中很难满足。因此，模型训练期间不可避免地存在噪声标签，这可能会严重误导目标感知对虚假模式的学习。为了应对这一挑战，我们提出了 Prompt and Refinement (PAR)，这是一种针对 ISTD 的标签噪声鲁棒性非对称相互学习范式。具体来说，PAR 包括一个预训练的分段任意模型 (SAM) 和一个从头开始训练的 ISTD 特定检测器，它们通过同伴教学方案进行协作学习。与局部对比规律相结合，两个不对称对等模型的预测被相互利用作为对等模型监督掩模的纠正线索。互补归纳偏差之间的相互作用有效地防止标签校正过程退化为单个模型的自我确认循环，从而能够逐步细化针对内在目标特征的注释。此外，检测器预测被用作校正掩模提示，以促进视觉基础模型的特定于任务的适应。此外，优化过程中引入了证据不确定性估计策略，以进一步减轻噪声标签的不利影响。在三个 ISTD 数据集上的不同噪声标签场景下进行的大量实验表明，PAR 始终实现最先进的性能。