在小天体探测、导弹制导和战场侦察等航空航天领域，由于目标信号较弱，占有像素数少，缺少目标形状和纹理信息，使用手工特征提取的传统算法容易出现大量虚警，而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。本文采用了滑动窗口取样训练，它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想，设计了一种使用递归卷积层的全卷积网络，在不增加额外训练参数的情况下，扩展了模型的网络深度，该网络的并行卷积结构的多个分支网络模拟了传统算法的多尺度操作，有利于在复杂环境中增强目标和背景之间的对比度，并且设计使用了多种损失函数的组合，以对抗正负样本严重不平衡的问题。实验结果表明：该方法实现了比传统方法更好的检测效果，为此领域的研究者们提供了一个新的思路和解决途径。

红外弱小目标的轨迹检测是红外导引的一项关键技术, 在小天体探测、导弹制导和战场侦察等航空航天领域具有重要地位。针对传统基于检测前跟踪技术的轨迹搜索算法存在需要事先获取目标的灰度分布函数或运动速度等先验知识限定条件的问题, 提出了基于注意力机制卷积长短时记忆神经网络的弱小目标轨迹检测算法。这种算法通过3D卷积核提取连续15帧红外图像序列的短期时间维信息和空间维信息, 结合卷积长短时记忆网络提取红外序列的长期时空信息, 利用注意力机制关注与弱小目标运动轨迹有关的关键信息并舍弃无关信息, 实现了网络端对端的预测输出。在5个红外图像序列上进行了均方根误差、平均绝对误差、峰值信噪比和结构相似度等4个客观度量指标的实验评估。结果表明, 基于输出门注意力机制的卷积长短时记忆网络在均方根误差和平均绝对误差上相对于3DCNN, 3D-ConvLSTM, 3D-AIConvLSTM方法平均降低了32.8%和46.3%, 在峰值信噪比和结构相似度指标上平均提高了18.3%和4.3%, 能够优秀地检测低于6 pixel红外目标的运动轨迹, 预测轨迹与真实轨迹非常吻合, 且背景杂波残留最少, 检测效果最优。

提出一种基于深度学习的弱小目标检测方法,该方法基于语义分割任务,利用全卷积递归网络学习复杂背景下弱小目标的特征,并在网络中使用了残差学习和递归操作,具有加速网络优化、模型参数少、深度递归监督和特征重用等特点。将此方法应用在两个真实的图像序列和红外图像测试集上,与三种最新的弱小目标检测方法进行对比,结果显示,在目标增强和背景抑制方面,此方法取得了最好的可视化效果,并在目标检测率、信噪比增益、信杂比增益和背景抑制因子等评价指标上取得了优秀的测试结果。因此,对于不同场景下的红外图像弱小目标检测问题,此方法具有良好的适用性和鲁棒性。