马玉莹,黄成章,黄静颖,王伟丞

(华北光电技术研究所,北京 100015)

1 引 言

深度学习是机器学习算法中较为复杂的一类方法,它的引入使学术研究与工程应用更加接近于人们盼望达到的人工智能的目标。深度学习的概念由Geoffrey Hinton等人于2006年率先提出,通过建立真正深度神经网络的训练机制来模拟人脑的学习过程,并希望以模拟人脑的多层抽象机制来实现对图像、语音及文本等数据的抽象表达,从而自动完成特征提取过程,减少人为干预。深度学习中涉及的理论众多,网络及其丰富,有众多的应用领域和各自不同的适应方法,而卷积神经网络作为当中的一个重要分支,在基于深度学习的目标检测技术中,主要应用的便是深度学习中卷积神经网络的相关部分。卷积神经网络(Convolutional Neural Network,CNN)是深度学习中非常重要的一个网络模型[1],被用来设计解决图像识别等问题,能够避免复杂的特征提取工作。

随着光电探测系统对探测距离的要求日渐提高,从获取红外目标图像的过程来看,在目标与探测器距离较远时的一段时间内,开始时目标在成像平面上所占的像素很少,表现为一个对比度非常低的亮点,随着距离的减小,通常在图像中呈现为点状的动目标。在该种情形下的目标搜索检测任务的难度体现在很难用传统的特征描述方法去提取弱小目标的特征。随着卷积神经网络技术在其他领域取得的巨大突破,越来越多的人开始研究基于卷积神经网络的弱小目标探测技术[2],但无论是传统图像处理算法设计,还是基于卷积神经网络的网络模型训练,都离不开图像数据,图像数据库成为制约卷积神经网络算法性能的关键因素之一。……