潘敏婷，方云升，陈寰，王清峰，钱久超，朱肖光，刘佩林

(1.上海交通大学 类脑智能应用技术研究中心·上海·201109；2.上海航天控制技术研究所·上海·201109)

0 引 言

随着计算机视觉技术的发展，目标检测的应用范围越来越广泛。在制导武器上搭载基于人工智能的目标识别智能处理器，可以更加快速、便捷地锁定目标。在军事安全领域，红外成像尤为重要。相较于可见光成像，红外成像具有隐蔽性好、抗干扰能力强、可昼夜工作等优势。因此，在红外图像上应用目标检测技术，可以极大地提高识别系统的准确率。在人工智能中，神经网络往往需要大量的数据进行训练，不充足的数据会导致网络的拟合能力较差。面对由红外图像难以采集而造成的数据量较少的问题，采用基于生成对抗网络(Generative Adversarial Networks，GAN)的红外图像生成方法进行红外数据集的扩充，可生成复杂多样的红外样本训练网络模型，以提高网络的适应性和泛化性。

针对传统生成式模型中训练过程和数据生成过程效率较低的局限，Goodfellow等[1]人在2014年提出了GAN，通过输入随机噪声来生成图像，但生成的样本的类别是不确定的。换言之，无法控制模型生成特定类别的样本。为了解决这个问题，Mirza等[2]提出了条件生成式对抗网络(conditional GAN，cGAN)。cGAN在朴素GAN的基础上将条件变量y与噪音矢量z同时输入至生成器G(Generator)中。在判别器D(Discriminator)中，真实样本x和条件变量y同时作为判别函数的输入，可有效控制样本特定类别的生成。

GAN网络的输入，不仅可以是随机噪声，还可以是图片，可用于处理图像到图像的转换任务[3-5]。……