0 引言

軍事上采用迷彩偽裝的目的是隱蔽自己、欺騙敵人、提高戰(zhàn)場生存能力。相對于通用的目標檢測任務，圖像中的迷彩偽裝目標與背景環(huán)境融合度較大，實現(xiàn)其目標檢測任務更加困難。

目前，對迷彩偽裝目標檢測研究的工作較少。傳統(tǒng)的檢測方法主要把迷彩偽裝目標看作是一種具有特殊紋理結構的目標，并針對這一特性設計相應算法提取迷彩紋理，從而實現(xiàn)迷彩偽裝目標的檢測。Bhajantri等人[1]將目標的迷彩偽裝紋理作為一類物體，然后對該類物體進行檢測。Sengottuvelan等人[2]通過圖像的結構信息，確定圖像中是否存在迷彩偽裝目標。Wu等人[3]根據(jù)目標在三維凸面上的灰度差異來檢測迷彩偽裝目標。盡管傳統(tǒng)方法可以實現(xiàn)對迷彩目標的檢測，但該類方法僅利用了圖像的淺層特征信息，其檢測效果相對較差。

近年來的研究工作主要是使用基于深度卷積神經網絡的強監(jiān)督目標檢測算法完成迷彩偽裝目標的檢測任務。Deng等人[4]針對迷彩偽裝目標的特性，在RetinaNet[5]算法的基礎上嵌入了空間注意力和通道注意力模塊。同時，基于定位置信得分構建了新的預測框過濾算法，有效實現(xiàn)了對迷彩偽裝人員的檢測。Wang等人[6]以YOLO(You Only Look Once)v5算法為基礎，設計了一種針對迷彩偽裝目標的檢測算法，該算法在骨干網絡中加入了注意力機制，同時加入非對稱卷積模塊增強了目標的語義信息，從而提升了迷彩偽裝目標的檢測精度。雖然強監(jiān)督目標檢測算法比傳統(tǒng)方法的檢測效果有了很大的提升，但該類算法模型需要在大規(guī)模標注精度高的數(shù)據(jù)集上進行訓練，檢測結果嚴重依賴于數(shù)據(jù)集標注的精度。目前的數(shù)據(jù)集標注工作主要是靠人工完成，而人工標注在很大程度上容易受人的主觀因素影響，在軍事應用領域很難獲得大規(guī)模的且標注精度高的數(shù)據(jù)集。

在軍事領域，受保密等特殊條件限制，很難構建包含迷彩偽裝目標的大規(guī)模圖片數(shù)據(jù)集。并且，圖片中的迷彩偽裝目標與圖片背景的融合度較大，從本質上增加了目標檢測的難度。同時在人工標注時也很容易造成誤標或漏標，嚴重影響數(shù)據(jù)集的使用效果。若在小規(guī)模且標注精度低的數(shù)據(jù)集上訓練強監(jiān)督目標檢測算法，則訓練出來的模型對迷彩偽裝目標的檢測效果會很不理想。而弱監(jiān)督目標檢測算法可以很好地克服強監(jiān)督目標檢測算法的這一局限性。弱監(jiān)督目標檢測算法只需要帶有圖像級標簽（不需要標注出目標在圖像中的具體位置，只需要標明圖像中包含物體的類別）的數(shù)據(jù)集就能實現(xiàn)目標檢測，大幅降低了對數(shù)據(jù)集標注的要求。因此，弱監(jiān)督目標檢測算法比強監(jiān)督目標檢測算法具有更強的適應能力。

本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004910

作者信息：

楊  輝1，權冀川1，梁新宇1，郭安文1，王中偉2

(1.陸軍工程大學 指揮控制工程學院，江蘇 南京210007；2.中國人民解放軍73658部隊)