Im Bereich der Luftfahrterkennung ist die Technologie zur Erkennung schwacher Infrarotziele entscheidend für die Langstrecken-Wetterunabhängige Gefechtsfeldwahrnehmung. Um das Problem der niedrigen Detektionswahrscheinlichkeit und hohen Fehlalarmrate aufgrund des geringen Pixelanteils schwacher Infrarotziele und fehlender Merkmale im komplexen Hintergrund zu lösen, wurde eine Methode zur Erkennung schwacher Infrarotziele im komplexen Hintergrund basierend auf einem räumlich-zeitlichen 3D-Faltungsnetzwerk vorgeschlagen. Die Methode schlägt ein Feature-Extraktions-Backbone vor, das zweidimensionale und dreidimensionale Faltungen kombiniert und räumliche Texturmerkmale sowie Bewegungsmerkmale zwischen den Frames integriert, um eine kooperative Wahrnehmung der Zielstruktur und zeitlicher Veränderungen zu erreichen; für die Eigenschaften schwacher Infrarotziele wurde ein lokales Kontrastmodul entworfen, das das Empfangsfeld erweitert und so die Merkmalsverstärkung ermöglicht; ein asymmetrischer Aufmerksamkeitsmechanismus wurde zur Merkmalsfusion eingeführt, der die Erhaltung von Textur- und Positionsinformationen erhöht; schließlich werden die Detektionsergebnisse durch eine Punktregressionsverlustfunktion berechnet. Experimente wurden auf öffentlichen und selbst erstellten Datensätzen zum Training und Testen durchgeführt. Die Ergebnisse zeigen, dass der verbesserte Algorithmus im Vergleich zu bestehenden Netzwerken zur Erkennung schwacher Infrarotziele eine Steigerung der Rückrufrate von mindestens 7,52 % und eine Steigerung der durchschnittlichen Präzision von mindestens 6,46 % aufweist. Er kann effektiv zur Erkennung schwacher Infrarotziele in komplexen Hintergründen eingesetzt werden und zeigt eine gute Robustheit und Anpassungsfähigkeit.

schwache infrarotziele;tiefes lernen;zielerkennung;räumlich-zeitliche 3D-Faltung