摘要
红外弱小目标检测是远程精准打击、空天攻防对抗和遥感情报侦察等军事应用方面的重要研究内容。在现代军事对抗体系中，利用红外成像的探测技术实现检测打击目标尤为重要。由于红外探测的成像特点以及成像距离远,红外弱小目标在图像上表现为像素少、局部信杂比极低，造成检测困难。目前为止针对于红外图像中目标的检测技术仍然存在技术缺陷，传统检测算法鲁棒性差且检测速度慢。因此将深度学习检测算法应用于红外弱小目标检测中，对于红外图像的弱小目标检测任务具有重要意义。因此本文在该领域提出检测算法的基础上，针对降低背景噪声、精简网络结构以及提高小目标检测效果问题进行了一系列的研究工作，并提出相应的改进方式。本文主要的研究内容以及贡献包括: (1)考虑到本文的地/空背景下红外图像弱小飞机目标检测跟踪数据集的背景噪声大以及可用场景的数据集数量过少的问题，进行抑制背景噪声以及数据增强等预处理，提升小目标的检测效果以及增强数据的鲁棒性。在保留原数据集中心点标注信息的基础上使用makesense工具进行手动标注目标框以便后续检测模型进行学习训练。 (2)基于小物体检测和注意力机制等优化方式提出的改进Anchor-Based的YOLOv7-tiny模型。针对提高小目标检测的精确率，在YOLOv7-tiny模型中添加一层小目标检测层，并对应设计出适用于小目标的锚框尺寸;在YOLOv7-tiny模型的主干网络中添加三维注意力机制simAM,增强模型特征提取能力以提高召回率;最后将对小目标边界框位置偏差敏感的IoU及其扩展指标替换成归一化高斯Wasserstein距离(NormalizedGaussianWassersteinDistance,NWD),提高检测模型对红外小目标的检测性能。 (3)基于轻量级主干网络优化的改进Anchor-Free的ObjectBox模型，通过采用检测精度和速度平衡较好的MobileNetV2网络去替换ObjectBox检测模型的主干网络，对检测模型进行轻量化从而增强模型的移植性;最后向主干网络增加结构重参数化RepVGG模块，提高模型召回率的同时减少推理时间。 (4)对改进后的检测算法进行大量实验仿真，在同等实验环境条件下与主流的相关检测模型进行对比分析，根据检测性能的评价指标，验证改进后的可行性以及有效性。改进后的检测算法在本文数据集上表现出较好的检测效果，具备满足检测的实时性要求。另外，设计改进的检测模型满足了一定程度上的轻量化、可移动性和移植性要求。
NETL