Im Bereich der Luftalarmierung ist die Technologie zur Erkennung schwacher kleiner Infrarotziele für die fernreichweite, allwettertaugliche Wahrnehmung des Schlachtfelds von entscheidender Bedeutung. Um das Problem der niedrigen Wahrscheinlichkeit der Zielerkennung und der hohen Fehlalarmrate aufgrund des geringen Pixelanteils schwacher kleiner Infrarotziele und des Mangels an Merkmalen im komplexen Hintergrund zu lösen, wurde eine Methode zur Erkennung schwacher kleiner Infrarotziele im komplexen Hintergrund basierend auf einem spatiotemporalen 3D-Faltungsnetzwerk vorgeschlagen. Die Methode schlägt ein kombinertes 2D- und 3D-Faltungs-Hauptnetzwerk zur Merkmalsextraktion vor, das räumliche Texturmerkmale und Bewegungsmerkmale zwischen den Frames kombiniert, um die Zielstruktur und zeitliche Veränderungen gemeinsam wahrzunehmen; für die Merkmale der schwachen kleinen Infrarotziele wurde ein lokales Kontrastmodul entworfen, das das Rezeptivfeld erweitert und somit die Merkmalsverstärkung ermöglicht; ein asymmetrischer Aufmerksamkeitsmechanismus wurde zur Merkmalfusion eingeführt, um die Erhaltung von Textur- und Positionsinformationen zu erhöhen; schließlich werden mittels Punktregressionsverlustfunktion die Erkennungsergebnisse berechnet. Die Experimente wurden auf öffentlichen und selbst erstellten Datensätzen für Training und Test durchgeführt. Die Ergebnisse zeigen, dass der verbesserte Algorithmus im Vergleich zu bestehenden Erkennungsnetzen für schwache kleine Infrarotziele die Rückrufrate um mindestens 7,52 % und die mittlere Genauigkeit um mindestens 6,46 % verbessert. Er kann effektiv zur Erkennung schwacher kleiner Infrarotziele im komplexen Hintergrund eingesetzt werden und zeigt eine gute Robustheit und Anpassungsfähigkeit.

schwache kleine Infrarotziele;Deep Learning;Zielerkennung;spatiotemporales 3D-Faltungsnetzwerk