应用前景

弱小目标的检测技术是目标自动检测系统中的核心技术之一。在现代化的高科技战争中，要求武器系统具备快的反应时间、远的发现距离。当距离较远时，这些目标在焦平面上成像的面积很小，一般不超过探测器像元的大小。目标在图像中呈现为点状，且信噪比极低，目标被噪声所淹没，给目标检测带来了极大的困难。十几年来，弱小目标的检测问题一直是光学和红外图像领域的研究热点。国际光学工程学会组织每年举行一次“弱小目标的信号与数据处理”会议，交流弱小目标检测的新技术。国际光学工程学会定义弱小目标为:成像的尺寸小于80个像素，即小于256×256的0.15%。对于图像中弱小目标的检测的研究，起源于远距离搜索与监视。如用宽视场望远镜搜索或跟踪天空中的流星、卫星或其它运动目标，用机载或地面红外(电视)搜索跟踪系统搜索远距离目标等。它是利用图像处理算法对处于杂乱背景和强噪声环境中的目标进行自动检测，算法的性能对目标自动检测系统的作用距离和智能化程度十分关键。有关弱小目标检测是一项难度大、并且有着重要战略应用价值的课题。

研究内容

针对机载侦测等军民应用中目标尺度小、训练样本缺乏、计算资源受限等瓶颈，研究面向微小目标识别与跟踪的深度神经网络模型。从计算框架、训练策略、模型压缩三个方面进行创新：研究面向微小目标的识别跟踪神经网络、弱先验条件下神经网络模型训练，以及面向识别跟踪的网络轻量化方法，解决小目标尺度条件适应、弱先验训练环境适应、边设备计算资源适应三个关键问题。构建边设备上微小目标的识别与跟踪应用验证平台，并以上述应用为驱动实现深度学习的理论深化和技术落地。

面向弱小目标检测跟踪的神经网络:弱小目标检测跟踪的核心挑战之一在于目标尺寸小，分辨率不足，因而难以提取足够具有判别力的特征。深度卷积神经网络（CNN）相对于传统方法，在单图像超分辨率任务的性能取得了显着提升，但这些基于CNN的方法忽略了充分利用残差分支上的分层特征。对应上述挑战，拟引入一种新颖的残差特征聚合框架，用于更有效的特征提取，同时引入一个增强的空间注意力模块，以使残差特征更加集中于关键的空间内容，充分利用残差分支上的分层特征，进行待检测目标图像块的超分辨重构，突破在小目标图像上进行检测的局限性。

弱先验条件下神经网络模型训练:传统弱监督目标检测方法依赖于候选区域提取算法来生成候选区域，并且还面临诸如低质量的预测边界框和大尺度变化的挑战。围绕该问题，拟提出一个统一框架的弱监督目标检测算法，进而实现一个只利用图像级标签训练的高容量的通用模型。项目拟引入三个重要组件，即候选区域生成、边界框微调和尺度不变特征。上述框架独立自包，不需要外部模块或额外的监督。

面向检测跟踪的网络轻量化:为进一步达成面向不同边缘设备的模型自动压缩，拟研究基于神经网络架构搜索（NAS）的模型自动压缩技术。传统NAS方法无法针对不同的硬件设备进行快速适配，这严重限制了NAS技术在不同目标检测场景的实用化。围绕该问题，拟研究基于动态规划策略的神经网络结构搜索技术，对于不同边缘计算场景下检测跟踪任务的硬件限制条件，使用动态规划策略来进行采样指导，高效生成适配边缘部署的紧致化神经网络结构。