Angesichts des Problems des geringen Anteils an Pixeln schwacher Ziele in Infrarotbildern unter komplexen Szenarien sowie der unklaren Merkmaldetails, die die Merkmalsextraktion erschweren und die Erkennungsgenauigkeit verringern, wurde eine Methode zur Erkennung schwacher Infrarotziele im komplexen Hintergrund auf Basis eines Aufmerksamkeitsmechanismus vorgeschlagen. Die Methode basiert auf dem YOLOv5-Netzwerk, es wurde ein SimAMC3-Aufmerksamkeitsmechanismus-Modul entwickelt, um die Merkmalsextraktionsschichten des Netzwerks zu optimieren; ein Zielerkennungskopf wurde entworfen, indem Merkmalsfusionsebenen hinzugefügt wurden, um die Tiefe zu verändern, in der die Merkmalsextraktion beginnt, wodurch eine neue Erkennungsebene für schwache Ziele entsteht, die es den oberflächlichen Merkmalsebenen ermöglicht, die räumlichen Informationen schwacher Ziele besser zu bewahren; zudem wurde die Auswahlweise der Vorhersagerahmen verbessert, um die Erkennungsgenauigkeit bei räumlich nahen oder sich überlappenden Zielen zu erhöhen. Für die Experimente wurden zwei SIRST-Datensätze für schwache Infrarotziele ausgewählt, annotiert und trainiert. Die experimentellen Ergebnisse zeigen, dass der verbesserte Algorithmus im Vergleich zum ursprünglichen YOLOv5-Algorithmus den mittleren Durchschnitt der mittleren Genauigkeit (mAP) um 4,8% bzw. 7,1% gesteigert hat und schwache Infrarotziele in verschiedenen komplexen Hintergründen effektiv erkennen kann. Dies zeigt eine gute Robustheit und Anpassungsfähigkeit und kann effektiv für die Erkennung schwacher Infrarotziele in komplexen Hintergründen eingesetzt werden.

tiefes Lernen; schwache Infrarotziele; Objekterkennung; Aufmerksamkeitsmechanismus