李海军，孔繁程，牟俊杰，刘霄，杜贞斌，林云

（1 海军航空大学 岸防兵学院，山东 烟台 264001）

（2 烟台大学 计算机学院，山东 烟台 264005）

（3 烟台大学 教务处，山东 烟台 264005）

0 引言

红外成像制导相对于传统红外制导方式抗干扰能力强，动态范围更明显，是当前精确制导武器主要制导手段之一，精确制导的主要目标是精准发现，精确打击，因此红外制导的关键因素在于目标的检测。传统红外目标检测一般先对图像区域进行选择，利用尺度不变性特征变换（Scale Invariant Feature Transform，SIFT）和方向梯度直方图（Histogram of Oriented Gradient，HOG）等方法进行特征提取，通过一系列的逻辑运算，然后再使用分类器进行区分，这样的方法需手工设计，时间复杂度高，并且鲁棒性差。近年来，随着计算机视觉领域的不断发展，深度学习逐渐应用在目标检测领域中，根据实际领域需求，不断发展成单阶段和两阶段的目标检测算法。当前，将深度学习应用至红外目标检测领域越来越受到关注，红外目标检测大多通过可见光领域的算法实现，模型的训练对于数据的数量和质量的要求很高，而复杂环境下的完整红外舰船图像难以获取，所以对基于深度学习的红外舰船检测精度有所影响。近年来出现基于人工智能的深度生成模型，包括变分编码器（Variational Auto-Encoders，VAE）［1］、深度信念网络（Deep Belief Network，DBN）［2］、生成式对抗网络（Generative Adversarial Networks，GAN）［3］等，其中GAN 可以通过无监督学习实现对目标特征的提取，在生成模型中其具有较强的泛化能力，已发展出多种变体［4-7］，基于GAN 的图像生成成为研究热点。针对使用GAN 对小样本进行图像生成训练时易出现过拟合的问题，UTKARSH O 等［8］提出基于锚点的策略，增强潜在空间对于图像中不同区域拥有不同的真实感，能够保持源图像和生成图像的差异性和相对相似性。……