0 引言
军事上采用迷彩伪装的目的是隐蔽自己、欺骗敌人、提高战场生存能力。相对于通用的目标检测任务，图像中的迷彩伪装目标与背景环境融合度较大，实现其目标检测任务更加困难。
目前，对迷彩伪装目标检测研究的工作较少。传统的检测方法主要把迷彩伪装目标看作是一种具有特殊纹理结构的目标，并针对这一特性设计相应算法提取迷彩纹理，从而实现迷彩伪装目标的检测。Bhajantri等人[1]将目标的迷彩伪装纹理作为一类物体，然后对该类物体进行检测。Sengottuvelan等人[2]通过图像的结构信息，确定图像中是否存在迷彩伪装目标。Wu等人[3]根据目标在三维凸面上的灰度差异来检测迷彩伪装目标。尽管传统方法可以实现对迷彩目标的检测，但该类方法仅利用了图像的浅层特征信息，其检测效果相对较差。
近年来的研究工作主要是使用基于深度卷积神经网络的强监督目标检测算法完成迷彩伪装目标的检测任务。Deng等人[4]针对迷彩伪装目标的特性，在RetinaNet[5]算法的基础上嵌入了空间注意力和通道注意力模块。同时，基于定位置信得分构建了新的预测框过滤算法，有效实现了对迷彩伪装人员的检测。Wang等人[6]以YOLO(You Only Look Once)v5算法为基础，设计了一种针对迷彩伪装目标的检测算法，该算法在骨干网络中加入了注意力机制，同时加入非对称卷积模块增强了目标的语义信息，从而提升了迷彩伪装目标的检测精度。虽然强监督目标检测算法比传统方法的检测效果有了很大的提升，但该类算法模型需要在大规模标注精度高的数据集上进行训练，检测结果严重依赖于数据集标注的精度。目前的数据集标注工作主要是靠人工完成，而人工标注在很大程度上容易受人的主观因素影响，在军事应用领域很难获得大规模的且标注精度高的数据集。
在军事领域，受保密等特殊条件限制，很难构建包含迷彩伪装目标的大规模图片数据集。并且，图片中的迷彩伪装目标与图片背景的融合度较大，从本质上增加了目标检测的难度。同时在人工标注时也很容易造成误标或漏标，严重影响数据集的使用效果。若在小规模且标注精度低的数据集上训练强监督目标检测算法，则训练出来的模型对迷彩伪装目标的检测效果会很不理想。而弱监督目标检测算法可以很好地克服强监督目标检测算法的这一局限性。弱监督目标检测算法只需要带有图像级标签（不需要标注出目标在图像中的具体位置，只需要标明图像中包含物体的类别）的数据集就能实现目标检测，大幅降低了对数据集标注的要求。因此，弱监督目标检测算法比强监督目标检测算法具有更强的适应能力。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004910
作者信息：
杨 辉1，权冀川1，梁新宇1，郭安文1，王中伟2
(1.陆军工程大学 指挥控制工程学院，江苏 南京210007；2.中国人民解放军73658部队)
