Dans le domaine de l'alerte aérienne, la technologie de détection des faibles cibles infrarouges est cruciale pour la perception du champ de bataille à longue distance et par tous temps. Pour résoudre le problème de la faible probabilité de détection et du taux de fausses alertes élevé causés par la faible proportion de pixels des faibles cibles infrarouges et le manque de caractéristiques dans des environnements complexes, une méthode de détection des faibles cibles infrarouges dans des contextes complexes basée sur un réseau de convolution tridimensionnelle spatio-temporelle a été proposée. Cette méthode propose un réseau principal d'extraction de caractéristiques combinant convolutions bidimensionnelles et tridimensionnelles, associant des caractéristiques de texture spatiale et des caractéristiques de mouvement entre les images pour une perception collaborative de la structure des cibles et des variations temporelles ; un module de contraste local a été conçu pour les caractéristiques des faibles cibles infrarouges, élargissant le champ réceptif pour renforcer les caractéristiques ; un mécanisme d'attention asymétrique a été introduit pour la fusion des caractéristiques, augmentant la conservation des informations texturales et positionnelles ; enfin, les résultats de détection sont calculés à l'aide d'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 les tests. 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 de détection de faibles cibles infrarouges existants. Il peut être efficacement appliqué à la détection des faibles cibles infrarouges dans des environnements complexes, tout en démontrant une bonne robustesse et adaptabilité.

faibles cibles infrarouges;apprentissage profond;détection d'objectifs;convolution tridimensionnelle spatio-temporelle