引言

随着科技的不断进步，人工智能技术在各个领域得到了广泛的应用，机载红外小目标检测技术在其中扮演着重要角色。在军事、航空等领域，探测敌方目标并进行识别是一项非常重要的任务，其目的是在海量的信息中准确地检测到敌方目标。这些目标可能具有重要的军事价值或者对飞行安全造成威胁。机载红外小目标检测算法正是利用红外成像技术，对目标进行高效准确的探测与识别。在实际应用中，这种技术不仅具有高度的可靠性和精度，还能够有效地避免被探测目标的反制。因此，机载红外小目标检测技术受到越来越广泛的关注和研究。

XIN J等人[1]针对红外小目标在复杂背景下检测精度差的问题，提出了一种基于多尺度峰度图融合和光流方法相结合的鲁棒准确算法。该算法能够很好地表征目标的形状、大小和运动信息，同时采用改进的光流方法，进一步抑制残留杂波以提高小目标的检测效果。MAN Y等人[2]提出了一种基于块匹配的红外单帧小目标检测方法，该方法通过将输入的红外图像分块并构建新的红外模型，通过优化求解低秩矩阵和稀疏矩阵来实现基于块匹配模型的小目标检测，并最终重构目标和背景图像，采用简单的分割方法进行目标图像的分割，该方法在复杂背景下具有更好的背景抑制能力和检测性能，但需要较高的计算资源。ZHANG G等人[3]提出一种新的高斯融合算法描述小目标和局部邻域的整体异质性，该方法能够有效抑制背景干扰并增强目标，具有显著的性能优势，但算法复杂度较高。FAN M等人[4]针对手工设计特征的传统方法仅对特定背景有效，提出了一种基于区域建议的卷积神经网络红外小目标检测方法，该方法根据局部强度特征增强小目标的弱辐射特性，通过角点检测提取目标区域，利用卷积神经网络消除非目标区域，有效抑制了复杂背景干扰，但需大量训练数据。ZHANG W[5]等人针对现有卷积神经网络提取小目标特征时易在网络深层阶段丢失特征，提出了知识蒸馏和显著性检测的红外小目标检测方法，该方法有效增强了对红外小目标低级特征的表征能力，然而该方法依赖于复杂模型来生成软标签进行知识蒸馏，在模型训练上需花费大量时间。上述研究的传统方法计算资源大，无法满足机载场景下小目标检测的实时性要求。在深度学习领域，数据集的大小和多样性对于模型的泛化能力具有至关重要的影响，而机载场景下的红外小目标数据相对较为缺乏，因此迁移学习成为一种有效的解决方案。迁移学习可以利用源域数据知识来辅助目标域的学习，从而缓解目标域数据不足的问题，并提升模型性能，增强算法的鲁棒性。因此，本文针对机载平台下的红外无人机小目标，结合迁移学习的思想，提出一种基于实例迁移的机载红外小目标检测算法。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007036

作者信息：

刘彤1，宋嘉乐2，李志和1，蒋晓旭1，高芳1，胡锦汐1

（1.平高集团智慧能源技术研究院，河南 郑州 450000；

2.北京航天无人机系统工程研究所，北京 100094）