小样本红外图像的样本扩增与目标检测算法
吴晗
张志龙
李楚为
李航宇
国防科技大学电子科学学院自动目标识别重点实验室,湖南长沙410073
摘要：深度卷积神经网络模型在很多公开的可见光目标检测数据集上表现优异,但是在红外目标检测领域,目标样本稀缺一直是制约检测识别精度的难题.针对该问题,本文提出了一种小样本红外图像的样本扩增与目标检测算法.采用基于注意力机制的生成对抗网络进行红外样本扩增,生成一系列保留原始可见光图像关键区域的红外连续图像,并且使用空间注意力机制等方法进一步提升YOLOv3目标检测算法的识别精度.在Grayscale-Thermal与OSU Color-Thermal红外–可见光数据集上的实验结果表明,本文算法使用的红外样本扩增技术有效提升了深度网络模型对红外目标检测的精度,与原始YOLOv3算法相比,本文算法最高可提升近20％的平均精确率(mean average precision,mAP).
关键词：红外图像目标检测稀缺样本生成对抗网络注意力机制YOLOv3算法
资助基金：国家自然科学基金(61101185)湖南省研究生科研创新项目(CX20200044)
论文发表日期：2021-09-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1477-1485 )
英文信息