基于ISE-StyleGAN 的紅外艦船圖像生成算法

李海軍，孔繁程，牟俊杰，劉霄，杜貞斌，林云

（1 海軍航空大學 岸防兵學院，山東 煙臺 264001）

（2 煙臺大學 計算機學院，山東 煙臺 264005）

（3 煙臺大學 教務處，山東 煙臺 264005）

0 引言

紅外成像制導相對于傳統紅外制導方式抗干擾能力強，動態范圍更明顯，是當前精確制導武器主要制導手段之一，精確制導的主要目標是精準發現，精確打擊，因此紅外制導的關鍵因素在于目標的檢測。傳統紅外目標檢測一般先對圖像區域進行選擇，利用尺度不變性特征變換（Scale Invariant Feature Transform，SIFT）和方向梯度直方圖（Histogram of Oriented Gradient，HOG）等方法進行特征提取，通過一系列的邏輯運算，然后再使用分類器進行區分，這樣的方法需手工設計，時間復雜度高，并且魯棒性差。近年來，隨著計算機視覺領域的不斷發展，深度學習逐漸應用在目標檢測領域中，根據實際領域需求，不斷發展成單階段和兩階段的目標檢測算法。當前，將深度學習應用至紅外目標檢測領域越來越受到關注，紅外目標檢測大多通過可見光領域的算法實現，模型的訓練對于數據的數量和質量的要求很高，而復雜環境下的完整紅外艦船圖像難以獲取，所以對基于深度學習的紅外艦船檢測精度有所影響。近年來出現基于人工智能的深度生成模型，包括變分編碼器（Variational Auto-Encoders，VAE）［1］、深度信念網絡（Deep Belief Network，DBN）［2］、生成式對抗網絡（Generative Adversarial Networks，GAN）［3］等，其中GAN 可以通過無監督學習實現對目標特征的提取，在生成模型中其具有較強的泛化能力，已發展出多種變體［4-7］，基于GAN 的圖像生成成為研究熱點。針對使用GAN 對小樣本進行圖像生成訓練時易出現過擬合的問題，UTKARSH O 等［8］提出基于錨點的策略，增強潛在空間對于圖像中不同區域擁有不同的真實感，能夠保持源圖像和生成圖像的差異性和相對相似性。……