Paper: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11232501
Code：https://github.com/fuqingzhang/ISGLNet
这篇文章提出了一个名为 ISGLNet 的新型红外小目标检测网络，核心贡献是引入了两个模块：
内在敏感性（Intrinsic Sensitivity, IS）模块
在空间-通道双重意义上对“小目标响应”进行增强，同时抑制背景杂波。
- 空间支路：用局部-全局对比度先验，突出“小而亮”的孤立区域。
- 通道支路：利用通道注意力，自动发现“小目标特征通道”并提升其权重。
两条支路结果逐像素相乘，得到一张高信杂比的“内在敏感图”（IS-map），后续网络把它当作额外监督，不断强迫骨干对小目标保持高灵敏度。
引导学习（Guided Learning, GL）模块
把 IS-map 的“知识”嵌入到主分割网络（U 形结构）里：
- 浅层：用 IS-map 做像素级加权，让损失函数更关注潜在目标区域，缓解正-负样本极不均衡。
- 深层：把 IS-map 当成空间注意力先验，与解码器特征做残差融合，防止高层语义把小目标“平滑”掉。
整个训练过程是端到端的，测试阶段 IS/GL 模块均可保留，无需额外后处理。
实验在三个公开红外小目标数据集（SIRST、NUDT-SIRST、IRSTD-1k）上进行，指标如下：
数据集 IoU nIoU F1 Pd(%) Fa(×10⁻⁶)
SIRST 80.77 78.65 89.36 100.0 1.42
NUDT-SIRST 93.70 93.36 96.75 99.17 1.89
IRSTD-1k 74.03 69.17 85.05 73.74 8.81
相比 2022-2023 年的 ACMNet、DNANet、RDIAN、ISTDU-Net 等 SOTA 方法，ISGLNet 在同等虚警率下检测概率平均提升 3-5%，IoU 提升 2-4 个百分点，且推理速度 >60 fps（RTX-3090）。
代码与预训练权重已在 GitHub 开源（PyTorch+MMDetection 框架），支持单卡/多卡训练，提供了完整的数据集整理脚本、训练命令和可视化脚本，可直接复现论文结果。
)
