英文翻译中文英文原文：Recall is the ratio of actual positive samples to predicted pos-itive samples and actual positive samples FN is the numberof actual positive samples that are predicted as negative bythe mod

召回率是实际正样本数量与预测的正样本数量和实际正样本数量的比率。FN是模型预测为负样本的实际正样本数。召回率的计算公式如下：

为验证所提出的U-Transformer的有效性，进行了消融实验。1表示当前网络包含该模块或改进；x表示当前网络不包含该模块；↑表示数值越大，检测性能越好；↓表示数值越小，检测性能越好。

通过调整图1中显示的解码模块，Exp1-3分别对应发送到头部的特征图大小为64、128和256。从表中可以看出，随着下采样率的增加，方法的检测精度得到了很大提高。这是因为大规模的特征图包含更多的目标特征信息。因此，认为红外暗目标和小目标检测的网络应该与传统CNN中的金字塔配置不同，而应采用具有编码和解码结构的高度耦合的网络。编码和解码可以最大限度地保留目标特征信息并促进图像去噪。因此，为了进一步验证浅层信息对于小和暗目标识别的重要性，将ResNet50和原始Center Net的解码部分替换为简单的U形网络（图6）。表2中给出了编码和解码模块的参数设置。

如表6所示，基于Unet网络的模型的参数数量是采样率为2的Cen ter Net的一半，但该方法实现了相等的召回率、精度和F1分数。该方法的高误检率和漏检率导致最终得分较低。这是因为虽然Unet的解码器可以执行图像恢复，但红外暗小目标的特征在编码器阶段丢失。因此，在我们的检测器中引入具有自我注意机制的Swin变换，以进行特征的全局融合。基于Swin变换的编码器，可以在解码器中获取包含暗小目标特征的特征图。正如Exp5所示，本文提出的U-Transformer在模型参数更少的情况下实现了更高的检测精度。