张 奔，徐 锋，李晓婷，赵彦东

（北方自动控制技术研究所，太原 030006）

0 引言

巡飞弹是一种能够执行智能组网、编队飞行、侦察及打击任务的无人作战飞行器［1］。在其实际的作战应用中，敌方的军事目标在很多情况下会出现集群作战，密集集结的场景［2］。因此，对目标数量及状态的快速精准统计，可以为后续巡飞弹编队进行任务规划、展开攻击提供重要的数据支撑。

在机器学习应用于目标识别前，军事目标的检测依赖于领域内专家根据对不同目标的纹理、形状、颜色等特征的处理，设计多种类型的特征描述子［3-5］，进行全局特征目标检测。随着近些年计算机处理数据的能力呈爆发式增长，以及深度学习相关领域算法的长足进步，基于深度卷积神经网络（Convolution Neural Network，CNN）［6］的检测模型，在特征提取方面相比传统方式有巨大的优势。现有的基于深度卷积神经网络的目标检测模型，一类是基于建议框的方法，这类方法的典型代表就是于2014 年提出的R-CNN［7］，R-CNN 算法家族是典型的两阶段处理模式，先通过滑动窗口、Selective Search［8-9］等方法，从图像中提取出候选区域再进行识别。此类模型对小目标检测精度高，但由于计算量大，很难满足实时目标检测的要求。另一类免建议框方法即YOLO算法家族［10-11］，不需要提前找到可能存在目标的Region，而是将目标的检测看作是一个基于回归的问题求解，将整张图片直接输入，通过神经网络的信息提取，从模型的输出中直接给出目标的所属类别置信概率以及位置边框。……