Dans le domaine de l'alerte aérienne, la technologie de détection des petites cibles faibles infrarouges est cruciale pour la perception du champ de bataille à longue distance et par tous les temps. Pour résoudre les problèmes de faible probabilité de détection et de taux de fausses alertes élevé causés par la faible proportion de pixels des petites cibles faibles infrarouges et le manque de caractéristiques dans des arrière-plans complexes, une méthode de détection des petites cibles faibles infrarouges dans des arrière-plans complexes basée sur un réseau de convolution 3D spatiotemporel a été proposée. Cette méthode propose un réseau principal d'extraction de caractéristiques combinant convolution 2D et convolution 3D, associant des caractéristiques texturales spatiales et des caractéristiques de mouvement inter-images pour une perception conjointe de la structure cible et des variations temporelles ; pour les caractéristiques des petites cibles faibles infrarouges, un module de contraste local a été conçu pour étendre le champ réceptif afin d’amplifier les caractéristiques ; un mécanisme d’attention asymétrique a été introduit pour la fusion des caractéristiques, augmentant la rétention des informations texturales et de localisation ; finalement, les résultats de détection sont calculés via une fonction de perte de régression ponctuelle. Les expériences ont été menées sur des ensembles de données publics et auto-construits pour l'entraînement et le test. Les résultats montrent que l'algorithme amélioré améliore le taux de rappel d’au moins 7,52 % et la précision moyenne d’au moins 6,46 % par rapport aux réseaux existants de détection des petites cibles faibles infrarouges. Il peut être efficacement appliqué à la détection des petites cibles faibles infrarouges dans des arrière-plans complexes, montrant une bonne robustesse et adaptabilité.

petites cibles faibles infrarouges;apprentissage profond;détection d’objectifs;réseau de convolution 3D spatiotemporel