CSIG图像图形技术挑战赛是由中国图象图形学学会（CSIG）主办的系列赛事，旨在促进图像图形技术及相关产业的发展和应用，解决企业面临的技术难题，扩大企业宣传面，帮助企业吸引更多的优秀人才。

主办单位: 

中国图象图形学学会（CSIG）

承办单位：

国防科技大学、武汉大学

目的与意义

红外小目标检测发展瓶颈凸显，亟需关注时域信息以提升弱小目标检测能力。红外小目标检测技术应用广泛，在空中交通管控、民航飞机监视、异常事件预警、精确制导等军民领域得到了广泛的应用。近年来，随着深度学习技术的发展，红外小目标检测领域发展迅猛，涌现出大量基于单帧信息的检测方法，在各类真实和仿真的单帧红外数据集上取得了优秀的成绩。随着红外检测的迅猛发展，瓶颈日益凸显，单帧检测方法难以应对复杂场景下的低信杂比目标检测，红外视频卫星观测下的空中动目标检测尤其困难。卫星观测下的场景复杂度高，观测到的空中动目标往往信杂比很低，难以被有效探测。时域信息中往往包含更丰富的目标运动信息，有助于有效区分空中动目标和背景杂波，基于时域信息的红外极弱小目标检测亟需受到更为广泛的关注。

红外视频卫星数据来源少、标注成本高，亟需弥补领域数据局限性。尽管基于时域信息的红外极弱小检测重要性不言而喻，但目前深度学习在该领域的发展仍较缓慢。缺少红外视频卫星数据集是限制发展的一大原因。已有的红外视频数据大多是近地面观测视角，捕捉到的目标距离通常较近，低信杂比目标样本较少，制约了对弱小目标探测技术的发展，亟需弥补领域数据的不足。

视频卫星遥感小目标检测大模型意义重大，亟需关注和发展。近年来，随着以生成式聊天大模型ChatGPT、Deepseek和视觉分割一切模型SAM为代表的大模型技术的爆火，具备解决可见光、红外、SAR等多模态视频卫星遥感小目标检测大模型也被广泛期待和探索。当前基于光学的序列检测模型难以直接迁移到红外视频数据。该赛道关注红外视频卫星空中动目标检测任务，为视频卫星遥感大模型的发展添砖加瓦。

通过本次挑战赛可以促进科研技术的交流研讨和应用推广。借助高水平会议的宣发优势，吸引更多参研单位积极加入，促进基于时域信息的红外极弱小目标检测领域的科研交流和进步，促进视频卫星遥感大模型落地，加速技术创新和应用推广。

通过本次挑战赛可以促进红外视频卫星空中动目标检测跟踪一体化技术发展。依托竞赛模式，引入时域滤波技术和多帧关联分析，推动红外弱小检测与跟踪算法融合，提升技术鲁棒性与泛化性，助力技术在侦察、预警等领域落地应用。

竞赛组织方团队及联系方式

红外视频卫星空中动目标检测赛道组织方由国防科技大学团队、武汉大学团队组成，具体的组织方成员和联系方式如下：

1.组织委员会

联系邮箱:liruojing@nudt.edu.cn

电子邮件:lm8866@nudt.edu.cn

联系电话:15335352251

联系地址:湖南省长沙市开福区东风路街道德雅路109号，邮编：410073；

2.指导委员会

联系邮箱：liboyang20@nudt.edu.cn，lm8866@nudt.edu.cn, lzj19821202@163.com

电子邮件:lm8866@nudt.edu.cn

联系电话:15022795536，18163693464，15802646391

联系地址:湖南省长沙市开福区东风路街道德雅路109号，邮编：410073；湖北省武汉市珞珈山街道八一路299号，邮编：430000。

参赛要求

按自愿报名的原则，参赛团队和成员的组成可以为：

1.各培养单位正式注册教师、在读本科生、研究生以及博士生。

2.国内各研究团体、企事业单位。

报名方式

仅接受以团队形式通过邮件报名参赛，每支参赛队伍人员不超过5人（不包括指导老师），每名参赛选手只能参加1个参赛队。参赛团队下载并填写第六届CSIG图像图形技术挑战赛——红外视频卫星空中动目标检测赛道报名表，将报名表发邮件至竞赛联系人邮箱liruojing@nudt.edu.cn。

邮件标题格式：“第六届CSIG图像图形技术挑战赛——红外视频卫星空中动目标检测赛道_（参赛队单位名称）_（参赛队名称）”

邮件内容包括附件报名表。报名表格式如下：

报名截止日期：2025年7月20日23时59分。

组织方收到邮件并与报名者确认后，报名成功。

比赛及报名详情请访问：https://videoirstd.github.io/

主要时间节点

注：测试阶段每天可提交两次结果。禁止注册小号刷分，一经发现，取消主队成绩。

竞赛数据

竞赛数据由国防科技大学团队和武汉大学联合开发的基于热红外卫星的IRAir数据集、基于landsat卫星的IRSatVideo-LEO数据集和基于武汉一号卫星的实测热红外视频卫星数据作为训练、验证、和测试数据集。总共1400段序列（1000段用于训练，200段用于验证，200段用于测试）比赛开始后，除测试集外的图像视频数据和目标掩码标签真值都将被发布用于模型开发。在比赛进入评测阶段，测试集的图像视频数据将被公布，测试集标签不公开。

1.    任务设置

本次竞赛主要任务是对视频中的红外小目标的质心进行预测，以及附加任务是对目标进行跟踪。

参赛队伍根据红外小目标图像特点自行设计相关的算法，利用主办方所给的红外小目标图像数据集进行模型训练，最终以召回率（Recall）、精确率（Precision）和F1分数作为评价指标，以及轨迹完整度和轨迹准确度作为附加评价指标，衡量参赛队伍算法模型性能。

2.    结果的评价方式

本次竞赛的算法评价指标为召回率（Recall）和精确率（Precision），附加评价指标为轨迹完整度、轨迹准确度。算法最终评分结果有两部分组成，F1分数和附加分数。

召回率，即检测概率，定义为正确检测的目标数量与目标总数量之比。其中，当检测到的目标质心与对应掩码标签质心距离不超过偏差阈值Thresh时，该检测目标被认为是正确检测目标。

精确率，定义为正确检测的目标数量与算法检测输出的目标总数量（正确检测目标数量与虚警目标数量之和）之比。其中，当检测到的目标质心与任意掩码标签质心距离均超过时，该检测目标被认为是虚警目标。

召回率和精确率公式定义如下：

其中TD（True Detection）和FD（False Detection）分别为正确检测的目标数量和虚警目标数量，AT（Amount of Target）为目标总数量。

算法的评分采用F1分数，其公式定义如下：

附加评价指标：

轨迹完整度，定义为经过跟踪/轨迹关联后，目标轨迹被完整关联的程度。公式定义为：

其中（Number of points True Associated）为目标轨迹被正确检出并关联的点数，N（Number of track points）为标签中目标轨迹总点数。

轨迹准确度，定义为经过跟踪/轨迹关联后，关联轨迹中各点为真实目标点的概率。公式定义为：

其中，（Number of points True Associated）为关联轨迹中真实目标点数，（Number of points Associated）为算法关联轨迹总点数。

附加得分为包括两部分：轨迹完整度得分、轨迹准确度得分。

轨迹完整度得分如下表：

轨迹准确度得分如下表：

最终得分为：

F1分数（检测得分）*100+附加得分（轨迹完整度得分+轨迹准确度得分），满分为110分。

奖项设置和奖励方法

奖项设置和奖励方法如下表:

知识产权归属

参赛团队提交算法及可执行模型的知识产权归参赛团队所有，比赛数据集归主办方所有。

各参赛队需要承诺本队提交的结果可重复，组织方承诺履行保密义务，并不用于除本比赛外的任何其他用途。

参赛队伍应保证所提供的方案、算法属于自有知识产权。组织方对参赛队伍因使用本队提供完成的算法和结果而产生的任何实际侵权或者被任何第三方指控侵权概不负责。一旦上述情况和事件发生参赛队伍必须承担一切相关法律责任和经济赔偿责任并保护组织方免于承担该等责任。

参赛团队注册方式

参赛团队报名成功，并在排行榜上获得有效的公开成绩，即为成功注册，并获得评奖资格。