王建中， 王洪枫， 刘弘扬， 李博， 孙庸， 张驰逸

(北京理工大学 机电学院，北京 100081)

目标检测一般用于获取图像中兴趣目标类别及其在图像中位置信息，是未来无人武器自动跟踪瞄准目标的基础，具有广泛的应用前景. 传统目标检测需要人工对战场环境图像进行搜索与判读[1]，受判读者经验影响较大，作战效能较差. 随着机器人与计算机技术的发展，目标自动检测成为主流方向，其中典型的方法有方向梯度直方图特征、局部二值特征等人工特征选择方法[2-4]，以及和依靠滑窗等方式在图像的兴趣区域使用Adaboost、随机森林或支持向量机等机器学习方法[5-8]，这些方法往往存在复杂性高、窗口冗余及特征单一导致对目标遮挡情况过于敏感等问题，鲁棒性较差，难以适应复杂的战场环境[9]. 基于深度学习的目标检测技术是解决这一难题的有效途径，其方法主要有RCNN、SPP-Net、Fast-RCNN、Faster-RCNN、SSD和YOLO等[10-12]. 其中YOLOv3能够同时检测兴趣目标的类别及其在图像中的位置，在准确率和实时性上都有着极佳的表现. 深度学习目标检测方法对训练样本的数量需求极高，只有在训练样本足够大时才会产生具有竞争力的性能[13]. 而针对敌士兵目标的检测，样本数据属于敏感的军用资源，难以大量获取.

本文针对敌士兵数据集样本较少的问题，以YOLOv3为基础，提出一种少样本深度学习目标检测方法. 通过数据增广、网络结构与锚点框尺度改进、模型预训练增强目标检测模型的泛化能力、降低目标检……