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)

1 引言

红外成像系统利用目标和环境间的红外辐射差异成像,具有动态范围大、穿透性强、温度灵敏性高、可昼夜工作等优点.因此利用红外成像设备侦察是当代军事领域中感知敌方战场的重要手段,并且随着我国军民融合政策的实施,大量的红外成像系统被利用在社区防盗监控或者大型工厂、企业的设备安全监测等,目前使用红外监测图像且结合目标检测的分析手段在民用和军事领域的重要性日益提高.

在计算机视觉领域,基于传统手工特征设计的目标检测器在目标检测任务上展现出了较好的性能.在深度学习兴起之前,手工特征提取算法一直占据了重要地位,典型代表为:SIFT[1]算法、HOG[2]算法、neocognitron[3]算法等.其中,Fukushima提出的neocognitron算法是一种具有生物视觉启发意义的平移不变性模型,这一模型引发了学者们对传统目标检测领域中手工提取特征等方法的反思.

随着深度学习技术的发展,LeCun证明随机梯度下降通过反向传播[4]可以训练卷积神经网络,这一结论大大加速了卷积神经网络在目标检测领域上的应用.Ross Girshick的R–CNN模型[5]第一次将卷积神经网络运用到目标检测领域,其两阶段进行检测识别的思想也深刻影响了后来的Fast R–CNN算法[6]与Faster R–CNN算法[7].针对两阶段目标检测算法存在的运行速度较慢和难以实现工程化等问题,YOLO算法[8]和SSD算法[9]先后被提出,它们将……