前言／Forword

本書第一部分研究復雜場景下的小目標檢測與識別，這在軍用方面具有十分重要的研究意義。該技術將極大地提高軍事裝備的智能化水平，如衛星對戰場的態勢感知、導彈末端的精確制導和單兵智能裝備升級等。

現有的目標檢測與識別技術在理想環境中已經取得了顯著的效果，但在更為普適開放的環境下往往無法正常工作。復雜場景下的小目標檢測與識別研究面臨環境的復雜性、目標特性的復雜性和數據的不完備性等方面的挑戰。

該研究需要解決的核心科學問題是源域特征空間和目標域特征空間分布不一致。本書解決該問題的基本思路是在源域知識的指導下，修正目標域樣本在特征空間的聯合概率分布，從而提高樣本目標域特征的可分性。

針對分布不一致的問題，從上下文信息、信息補償及數據增強這3個方面展開研究，現已取得如下研究成果：

（1）針對環境復雜所引起的前景和背景分離難的問題，本書提出了上下文信息指導的復雜場景小目標檢測方法（DLGC），該方法引入上下文信息約束來剔除候選區域中存在的大量背景，從而解決了小目標檢測難的問題。另外，在4個公開的數據集中，說明了DLGC方法能夠有效地檢測小尺寸人臉（簡稱小臉）和物體。在世界著名的小臉檢測數據集——WiderFace和遙感圖像物體識別數據集——DOTA中，DLGC方法分別得到93%和61.73%的準確率。

（2）針對由目標特性的復雜性所引起的小目標自身攜帶信息匱乏的問題，本書提出信息補償機制的復雜場景小目標識別模型（RL-GAN）。根據該模型學習低分辨率圖像的特征空間和其高分辨率圖像特征空間之間存在的差異，將這種差異補償至低分辨率圖像特征，以減少其與高分辨率圖像特征的差異，從而提升小目標識別的性能。此外，本書將通道注意力機制引入RL-GAN優化過程中，提出基于全局信息通道的注意力RL-GAN，引導網絡聚焦于信息量豐富的特征而忽略信息量匱乏的特征，達到小目標特征高效提取的目標。該模型在兩個公開的數據集——高分辨率艦船識別數據集和CIFAR-10數據集進行了實驗，識別準確率提升了20%以上，錯誤率降低了6.88%。同時，本書構建了一個專門針對低分辨率艦船識別任務的數據集WIDER-SHIP，RL-GAN相比于殘差學習網絡，在識別性能上取得了10%～15%的提升。

（3）針對由數據集方向不完備性所引起的模型訓練過擬合問題，本書提出了樣本方向屬性指導的數據增強方法。該方法通過將樣本旋轉特定角度的方式，使訓練樣本在方向分布上充分覆蓋物理世界中樣本方向的分布，以此提升數據方向的完備性，最終減少訓練模型中過擬合風險。為了驗證所提出的數據增強方法的有效性，本書在PASCAL VOC 2007數據集上測試了RCNN系列模型在目標識別任務上的性能，測試發現在視頻監控相機中，該模型的平均識別準確率在使用數據增強后，提高了7.5%。

（4）針對遙感圖像大場景難以快速檢測的問題，本書結合數據增強方法提出了區域推薦和PHOG的飛機快速檢測方法。該方法從減少候選區域搜索空間和特征優化兩個角度加速了復雜場景下小目標檢測的任務。首先，該方法設計了基于二值范數梯度的編碼算法用于封閉對象邊界檢測，以大大縮小潛在目標區域的搜索空間，從而加快傳統的窗口滑動策略。其次，該方法采用更輕量的特征描述符，通過方向直方圖的金字塔獲得橢圓傅里葉變換的梯度，大大減少學習模型參數個數，從而加速了目標檢測過程。相比于DLGC算法，本書提出的小目標檢測方法將檢測任務的速度提升近20倍。

本書第二部分，以1對1超視距空戰為背景，立足于大量空戰訓練數據，利用機器學習的方法開展了智能空戰深層態勢感知的研究，旨在從數據化、智能化的角度解決空戰態勢感知問題。主要研究工作如下。

（1）基于粒子群優化LSTM的空戰軌跡預測研究。軌跡預測是空戰態勢感知、智能空戰中的關鍵問題。傳統軌跡預測模型存在模型簡化較大、考慮因素較少等問題。結合飛行軌跡連續性、時序性、交互性的特點，提出基于粒子群優化LSTM的空戰軌跡預測模型。將目標機的位置、姿態等信息同時作為軌跡預測模型的輸入，更加符合真實軌跡變化規律；對建立的基于粒子群優化LSTM的空戰軌跡預測模型采用綜合考慮動量和速度的自適應調整學習步長的學習算法進行訓練；并與基于BP、RNN、LSTM的軌跡預測模型進行仿真對比分析。結果表明：與基于BP、RNN、LSTM的軌跡預測模型相比，所提模型預測誤差更小、預測效果更好，可以更加準確地進行目標機空戰軌跡的預測。

（2）基于CHCQPSO-LSSVM的空戰目標機動識別研究。針對現有機動識別方法的不足，將空戰目標機動識別問題等效為數據分類問題，提出了一種基于運動分解和CHCQPSO-LSSVM的識別模型。利用仿真數據對模型進行訓練，挖掘出了飛行參數與機動動作之間的映射關系。結合運動分解的思想，構造了機動特征數據，在此基礎上構建了機動動作樣本庫并建立了基于最小二乘支持向量機的機動動作識別模型，利用交叉雜交的混沌量子粒子群算法對模型進行了優化，將優化后的模型應用到態勢數據中實現飛行員的機動動作識別，建模過程實現了復雜問題的簡單化。仿真實驗結果表明，本書提出的識別模型對各類機動動作都可以準確識別，平均準確率可達96%左右，而且連續進行200次識別所需時間約為30ms，可以準確、快速地進行空戰目標機動識別。

（3）基于Multi-BiLSTM-Attention網絡的空戰目標意圖識別研究。傳統1對1空戰中目標戰術意圖識別過程中僅依據單一時刻進行推理分析，而實際戰場中目標戰術意圖是由一系列動作實現的，因此，目標狀態呈現動態、時序變化特征。針對此問題在長短期記憶網絡（LSTM）的基礎上引入雙向（Bidirectional）傳播機制和注意力（Attention）機制，但是單一的、固定的BiLSTM只能學習到一個特定維度的信息，因此，我們通過設置不同的BiLSTM，構建了一個Multi-BiLSTM-Attention模型。該模型可以學習到多個維度的帶有依賴信息的特征。根據領域專家知識和實踐經驗，構建空戰意圖特征集，并將其編碼成時序特征，將決策人員經驗封裝成標簽，通過Multi-BiLSTM學習空戰意圖特征向量中的深層次信息，并利用注意力機制自適應分配網絡權重，最后將不同權重的空戰特征信息放入Softmax函數層進行意圖識別。通過與多種空中戰術目標意圖識別模型進行對比及實時性實驗分析，結果顯示所提模型極大地提升了空中目標戰術意圖識別率，并且具有很好的識別實時性，可以準確、快速地進行空戰意圖識別。