引言

隨著科技的不斷進步，人工智能技術在各個領域得到了廣泛的應用，機載紅外小目標檢測技術在其中扮演著重要角色。在軍事、航空等領域，探測敵方目標并進行識別是一項非常重要的任務，其目的是在海量的信息中準確地檢測到敵方目標。這些目標可能具有重要的軍事價值或者對飛行安全造成威脅。機載紅外小目標檢測算法正是利用紅外成像技術，對目標進行高效準確的探測與識別。在實際應用中，這種技術不僅具有高度的可靠性和精度，還能夠有效地避免被探測目標的反制。因此，機載紅外小目標檢測技術受到越來越廣泛的關注和研究。

XIN J等人[1]針對紅外小目標在復雜背景下檢測精度差的問題，提出了一種基于多尺度峰度圖融合和光流方法相結合的魯棒準確算法。該算法能夠很好地表征目標的形狀、大小和運動信息，同時采用改進的光流方法，進一步抑制殘留雜波以提高小目標的檢測效果。MAN Y等人[2]提出了一種基于塊匹配的紅外單幀小目標檢測方法，該方法通過將輸入的紅外圖像分塊并構建新的紅外模型，通過優化求解低秩矩陣和稀疏矩陣來實現基于塊匹配模型的小目標檢測，并最終重構目標和背景圖像，采用簡單的分割方法進行目標圖像的分割，該方法在復雜背景下具有更好的背景抑制能力和檢測性能，但需要較高的計算資源。ZHANG G等人[3]提出一種新的高斯融合算法描述小目標和局部鄰域的整體異質性，該方法能夠有效抑制背景干擾并增強目標，具有顯著的性能優勢，但算法復雜度較高。FAN M等人[4]針對手工設計特征的傳統方法僅對特定背景有效，提出了一種基于區域建議的卷積神經網絡紅外小目標檢測方法，該方法根據局部強度特征增強小目標的弱輻射特性，通過角點檢測提取目標區域，利用卷積神經網絡消除非目標區域，有效抑制了復雜背景干擾，但需大量訓練數據。ZHANG W[5]等人針對現有卷積神經網絡提取小目標特征時易在網絡深層階段丟失特征，提出了知識蒸餾和顯著性檢測的紅外小目標檢測方法，該方法有效增強了對紅外小目標低級特征的表征能力，然而該方法依賴于復雜模型來生成軟標簽進行知識蒸餾，在模型訓練上需花費大量時間。上述研究的傳統方法計算資源大，無法滿足機載場景下小目標檢測的實時性要求。在深度學習領域，數據集的大小和多樣性對于模型的泛化能力具有至關重要的影響，而機載場景下的紅外小目標數據相對較為缺乏，因此遷移學習成為一種有效的解決方案。遷移學習可以利用源域數據知識來輔助目標域的學習，從而緩解目標域數據不足的問題，并提升模型性能，增強算法的魯棒性。因此，本文針對機載平臺下的紅外無人機小目標，結合遷移學習的思想，提出一種基于實例遷移的機載紅外小目標檢測算法。

本文詳細內容請下載：

http://www.tom3567.com/resource/share/2000007036

作者信息：

劉彤1，宋嘉樂2，李志和1，蔣曉旭1，高芳1，胡錦汐1

（1.平高集團智慧能源技術研究院，河南 鄭州 450000；

2.北京航天無人機系統工程研究所，北京 100094）