基于深度学习模型的图像军事目标检测

本文阐述了一种基于从无人机（UAV）摄像头获取的图像，自动检测和分类军事目标的方法。该方法基于深度学习模型的多级架构，其中包括YOLOv11和Faster R-CNN模型。在研究框架内实现了三个分类层级：（1）对“人员”和“军事装备”类别的目标进行初始检测，（2）按类别（坦克、步兵战车、其他）对军事装备进行详细分类，（3）细化“其他”类别，将其划分为多管火箭发射系统（MLRS）、卡车等。对所提方法的实验研究包括对5000张图像和20小时视频材料的分析。获得的结果证明了该系统的有效性：所有分类层级的精确率、召回率和F1分数指标均超过91%。此外，图像处理速度使其能够实时应用该方法。为评估所提方法的优势，与现有解决方案进行了比较，结果证实了所提方法的竞争力。所提出的方法可用于自动监控系统、作战分析和实时态势评估，提供高水平的准确性和速度。

人工智能（AI）在现代军事技术中得到广泛应用。深度学习的应用可能成为一个有前景研究方向的领域之一是检测和识别军事目标（潜在目标）的任务。在使用无人驾驶航空器（UAV）进行监视、侦察、瞄准和实施打击时，上述任务变得最为复杂。这是因为在检测和识别潜在目标的过程中，需要实时处理大量视觉信息，这是一项复杂的计算任务。同时，目标识别是无人机航拍图像最重要的任务之一，因为它能够在获取的图像中识别和分类感兴趣的目标（潜在目标），这在军事行动过程中可能发挥至关重要的作用[1]。如今，现有的视频图像目标搜索与识别系统通常根据以下参数进行评估[2]：

1. 识别准确性——系统必须提供稳定的目标检测和分类；
2. 处理速度——系统必须在特定计算设备资源有限的条件下实时执行任务。

值得注意的是，并非所有现有方法在给定参数下都是有效的。因此，当前的任务是开发改进现有系统的方法或提出解决目标检测与识别问题的新系统。本研究的贡献在于提出了一个从航拍图像中检测和分类军事目标的方法，其基础使用的是不同于现有解决方案的顺序目标分类方法。该方法在计算资源有限的条件下提高了目标分类的准确性。

文章结构如下。“相关工作”部分分析了与研究主题相关的最新出版物，即使用深度学习从图像中检测军事目标。“材料与方法”部分提出了一种用于军事目标的顺序分类方法。“结果与讨论”部分展示了证实该方法有效性的实验结果，并将其与现有解决方案进行了比较。