视觉-自动目标识别《深度学习算法在长波红外导弹导引头中的应用》346页

图 5-30： YOLOv3 在重新分配的半标签视谱图上探测到的船只。(为便于说明，图像对比度有所增强）。

在复杂的计算机视觉应用中，卷积神经网络（CNN）的性能已经超过了人类水平，并有可能大大提高红外反舰导弹寻的器算法的性能。但是，基于卷积神经网络的算法的性能非常依赖于用于优化这些算法的数据，通常需要大量完全标注的真实世界训练示例集。

本论文分为四个技术章节，探讨了将 CNN 应用于长波红外船舶探测、识别和鉴定所面临的挑战。为了解决缺乏合适的长波红外训练数据的问题，我们合成生成了一个由 972,000 张带有不同海景和背景杂波的军用舰船全标记图像组成的大型热仿真数据集。该数据集--IRShips--是全球最大的公开可用的此类图像库。

图 3-14： 数据后处理算法概览。

可配置的自动工作流程管道极大地促进了基于 CNN 算法的开发。这项工作开始时还没有这样的工具，因此我们创建了一个集成的模块化深度学习开发环境--Deeplodocus。该环境已公开发布，目前已跻身 Python 软件包索引库前 50%软件包的行列。利用 Deeplodocus，对全卷积单级 YOLOv3 物体检测算法进行了训练，以检测真实世界长波红外图像序列中高度杂乱的船只。进一步增强 YOLOv3 后，F 分数达到 0.945，这是首次使用合成数据来训练 CNN 算法，以成功检测长波红外图像中的军用舰船。

图 2-5： 说明必须将多个不同的流程和软件组件编译成单一的互联系统，才能训练、验证和测试深度学习算法。

利用新加坡海事数据集的视觉光谱和近红外数据，将 YOLOv3 的检测准确率与两个替代 CNN（Faster R-CNN 和 Mask R-CNN）进行了基准比较，结果显示 YOLOv3 比 Mask R-CNN 快三倍，但准确率低 3%。通过使用依赖光谱域的编码对 YOLOv3 进行修改后，近红外测试数据的准确性达到了一流水平，同时保持了 YOLOv3 在速度上的显著优势。

图 1-3: 现代制导导弹所含关键子系统示意图

表 1-1：部分现役反舰导弹的最大速度和射程，以及推进、导航和末端制导方式。

图 3-5： 作为合成红外数据集基础的 10 个 CAD 模型。(不按比例）。