Im Bereich der Luftfahrterkennung ist die Technologie zur Erkennung schwacher Infrarotziele entscheidend für die Langstrecken- und Rund-um-die-Uhr-Kampfschau. Um das Problem der niedrigen Zielerkennungswahrscheinlichkeit und hohen Fehlalarmrate aufgrund des geringen Pixelanteils schwacher Infrarotziele und fehlender Merkmale im komplexen Hintergrund zu adressieren, wurde eine Methode zur Erkennung schwacher Infrarotziele im komplexen Hintergrund basierend auf einem spatio-temporalen 3D-Faltungsnetz vorgeschlagen. Die Methode schlägt ein Backbone-Netzwerk zur Merkmalsextraktion vor, das 2D- und 3D-Faltung kombiniert, wodurch eine gemeinsame Wahrnehmung der Zielstruktur und zeitlicher Veränderungen durch die Kombination räumlicher Texturmerkmale und Bewegungsmerkmale zwischen Bildern erreicht wird; basierend auf den Eigenschaften schwacher Infrarotziele wurde ein Modul für lokalen Kontrast entworfen, um das Wahrnehmungsfeld zu erweitern und Merkmale zu verstärken; ein asymmetrischer Aufmerksamkeitsmechanismus wurde zur Merkmalsfusion eingeführt, der die Erhaltung von Textur- und Positionsinformationen erhöht; schließlich werden die Erkennungsergebnisse durch eine Punktregressionsverlustfunktion berechnet. Experimente wurden auf öffentlichen und selbst erstellten Datensätzen für Training und Test durchgeführt. Die Ergebnisse zeigen, dass der verbesserte Algorithmus im Vergleich zu bestehenden Netzwerken zur Erkennung schwacher Infrarotziele eine Steigerung der Rückrufrate um mindestens 7,52 % und der durchschnittlichen Genauigkeit um mindestens 6,46 % erreicht. Er kann effektiv zur Erkennung schwacher Infrarotziele im komplexen Hintergrund eingesetzt werden und zeigt gute Robustheit und Anpassungsfähigkeit.

schwache Infrarotziele; Deep Learning; Objekterkennung; spatio-temporale 3D-Faltung