王楠 李晓宾

（北京航空航天大学计算机学院 北京市 100191）

1 引言

在深度学习中，许多任务都是基于数据驱动的，数据的规模和质量决定了模型的最终效果。但是，当面临新的领域、新的任务中（如遥感、医学等特定领域图像），高质量的数据往往是相当匮乏的。在实际应用领域中，红外遥感在红外制导、武器装备等方面具有广泛的应用。但是，在这些领域中，红外数据的获取却受到限制，而红外卫星遥感分辨率较低，很难获取有效图像。在数据较少的情况下，深度学习的应用和效果都受到了影响。为了应对以上挑战，本文将易获取的可见光图像作为红外数据生成的来源，通过对CycleGAN网络添加特征重构损失，使得可见光数据在风格、内容、特征等方面生成近似符合红外数据特性的图像，解决了深度学习中红外典型军事目标数据少，难以寻找批量数据进行训练的难题。

本文的主要贡献有：

（1）本文设计了高效的红外遥感图像自动生成算法，扩大红外遥感图像的数据集规模，推动深度学习算法在红外遥感图像识别领域的应用；

（2）本文在基于CycleGAN风格迁移的基础上，添加特征重构损失，使得生成的红外图像与真实的红外图像在特征方面更具有相似性。

2 相关工作与问题分析

2.1 相关工作介绍

红外遥感领域对典型军事目标（如飞机、舰船等）机密性的严格要求，采集数据难度大。构建大规模、高质量的此类数据集非常困难，因此，利用一种红外仿真数据模拟红外真实数据是亟需的一项任务。……