Volume 51 Issue 8
Aug.  2022
Turn off MathJax
Article Contents

Chen Xianzhi, Luo Zhenbao, Li Yiqiang, Chen Tao. Application of automatic target recognition in image terminal guidance[J]. Infrared and Laser Engineering, 2022, 51(8): 20220391. doi: 10.3788/IRLA20220391
Citation: Chen Xianzhi, Luo Zhenbao, Li Yiqiang, Chen Tao. Application of automatic target recognition in image terminal guidance[J]. Infrared and Laser Engineering, 2022, 51(8): 20220391. doi: 10.3788/IRLA20220391

Application of automatic target recognition in image terminal guidance

doi: 10.3788/IRLA20220391
Funds:  Air Force Pre-research Program(303020303)
  • Received Date: 2022-06-09
  • Rev Recd Date: 2022-06-23
  • Available Online: 2022-08-31
  • Publish Date: 2022-08-31
  • The engineering application of automatic target recognition is the key technology to realize the long-range and precise strike after the image terminal-guided missile is launched. The development history, identification method, technical level and application effect of automatic target recognition of precision-guided weapons at home and abroad are summarized. The recognition methods and application scenes based on target features and template matching are analysed, and two types of engineering verification effective methods are identified. The automatic target recognition method combines the automatic target recognition process, such as task planning, main execution content, and the impact of planning quality on different recognition methods. To meet the needs of intelligent development of precision guided weapons in the future, the engineering application of deep learning recognition technology has become a new trend. To solve the balance problem between the efficiency and application accuracy of deep learning algorithms, this paper focuses on the analysis of network pruning, weight quantization, and low rank. The key technologies of real-time acceleration inference such as approximation and knowledge distillation; for network model training, ideas for effectively solving problems such as insufficient training samples or difficulty in obtaining military target samples are proposed. With the wide application of multiband and multimode composite guidance technology, information fusion provides a new technical approach for the engineering application of target recognition. How to adapt to various complex scenes and artificial active interference is a major challenge for image terminal guidance. The robustness of target recognition under interference conditions is expounded, which is an engineering problem that needs to be urgently solved in the application of automatic target recognition technology in image terminal guidance.
  • [1] 王颖, 唐倩, 马菁汀, 等. 2020年精确制导武器制导技术发展综述[J]. 飞航导弹, 2021(1): 31-38. doi:  10.16338/j.issn.1009-1319.20200849
    [2] 赵丹辉, 王俊敏, 张宏宇, 等. 精确制导武器导航与末制导技术发展综述[J]. 飞航导弹, 2021(2): 64-70. doi:  10.16338/j.issn.1009-1319.20200157
    [3] Zhang Dongqing, Zhang Chunxue, Wen Suli. Research on the application of automatic target recognition on missile [J]. Tactical Missile Technology, 2010(5): 1-6. (in Chinese)
    [4] Fan Jinxiang, Liu Jia. Challenges and thinking for the precision guidance ATR intelligentization [J]. Aero Weaponry, 2019, 26(1): 30-38. (in Chinese)
    [5] Meng Bo. Analysis and consideration of American long range anti-ship missile [J/OL]. Command Control & Simulation, (2022-02-24) [2022-06-23]. https://kns.cnki.net/kcms/detail/32.1759.TJ.20220223.1334.009.html. (in Chinese)
    [6] Li Jiatai, Chen Guoliang, Ma Shanbin, et al. Development of light photoelectric guided missile [J]. Air & Space Defense, 2021, 4(4): 30-38. (in Chinese)
    [7] Yin Ximei, Kang Yanqing. Development trend of UAV-borne precision guided bomb technology [J]. Ordnance Industry Automation, 2021, 40(9): 92-96. (in Chinese)
    [8] 中国航天科工集团第三研究院三一〇所. 精确制导武器领域科技发展报告[M]. 北京: 国防工业出版社, 2018.
    [9] Fan Jinxiang, Chen Jinghua. New development of american airborne weapons [J]. Aero Weaponry, 2020, 27(5): 13-22. (in Chinese)
    [10] Liu Yunfeng, Yang Xiaogang, Qi Naixin, et al. Forward-looking ATR model based on template matching [J]. Ordnance Industry Automation, 2016, 35(7): 4-6. (in Chinese)
    [11] Xie Chunsi, Liu Zhiying, Sang Yu. Target recognition model of ship-to-land missile based on feature matching [J]. Systems Engineering and Electronics, 2021, 43(8): 2244-2253. (in Chinese)
    [12] Ma Xiaoping, Zhao Liangyu. An overview of infrared seeker key technologies at home and abroad [J]. Aero Weaponry, 2018(3): 3-10. (in Chinese)
    [13] Liu Shijian, Jin Lu. A survey on algorithms for automatic target recognition [J]. Electronics Optics & Control, 2016, 23(10): 1-7. (in Chinese)
    [14] Sun Fangwei, Li Chengyang, Xie Yongqiang, et al. Review of deep learning applied to occluded object detection [J/OL]. Journal of Frontiers of Computer Science and Technology, (2022-03-24) [2022-06-23]. https://kns.cnki.net/kcms/detail/11.5602.TP.20220323.2003.002.html. (in Chinese)
    [15] Liu Yang, Xie Yongqiang, Li Zhongbo, et al. Research progress of deep learning target detection algorithm in security field [J]. Communications Technology, 2021, 54(9): 2063-2073. (in Chinese)
    [16] Zhao Xiaodong, Zhang Xunying, Che Jun, et al. Research on optimization algorithm of terminal guidance target recognition for precision-guided weapons [J]. Aeronautical Science & Technology, 2022, 33(1): 126-134. (in Chinese)
    [17] Li Kequan, Chen Yan, Liu Jiachen, et al. Survey of deep learning-based object detection algorithms [J]. Computer Engineering, 2022, 48(7): 0062725. (in Chinese)
    [18] 中国航天科工集团第三研究院三一〇所. 自主系统与人工智能领域科技发展报告[M]. 北京: 国防工业出版社, 2018.
    [19] Wang Jianzhong, Wang Hongfeng, Liu Hongyang, et al. A deep learning detection method for soldier target based on few samples [J]. Transactions of Beijing Institute of Technology, 2021, 41(6): 629-635. (in Chinese)
    [20] Huang Pan, Yang Xiaogang, Lu Ruitao, et al. Data augmentation method of infrared ship target based on spatial association [J]. Infrared and Laser Engineering, 2021, 50(12): 20210281. (in Chinese) doi:  10.3788/IRLA20210281
    [21] Chen Xianzhi, Luo Zhenbao, Yang Xu, et al. Design of information processing system for photoelectric seeker [J]. Infrared and Laser Engineering, 2020, 49(9): 20200312. (in Chinese) doi:  10.3788/IRLA20200312
    [22] Bahy R M. An efficient enhanced automatic target recognition approach [J]. Journal of Physics: Conference Series, 2021, 1721(1): 012057. doi:  10.1088/1742-6596/1721/1/012057
    [23] Li Liangfu, Chen Weidong, Gao Qiang, et al. Deep learning-based intelligent target recognition technology for electro-optical system [J/OL]. Acta Armamentarii, (2022-03-12) [2022-06-23]. https://kns.cnki.net/kcms/detail/11.2176.TJ.20220310.1821.026.html. (in Chinese)
    [24] Shen Ying, Huang Chunhong, Huang Feng, et al. Research progress of infrared and visible image fusion technology [J]. Infrared and Laser Engineering, 2021, 50(9): 20200467. (in Chinese) doi:  10.3788/IRLA20200467
    [25] Chen Yang, Wang Shifeng, Du Kaiyue, et al. A Image Pixel Level Fusion Based on Fast Guided Filter [J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2018, 41(6): 11-15. (in Chinese)
    [26] Xu Yunfei, Zhang Duzhou, Wang Li, et al. Lightweight feature fusion network design for local feature recognition of non-cooperative target [J]. Infrared and Laser Engineering, 2020, 49(7): 20200170. (in Chinese) doi:  10.3788/IRLA20200170
    [27] Wang Hongmei, Wang Xiaoge, Wang Xiaoyan. Research on target detection under complex background based on deep learning [J/OL]. Control and Decision, (2021-09-01) [2022-06-23]. https://doi.org/10.13195/j.kzyjc.2021.0686. (in Chinese)
    [28] Niu Deqing, Wu Youli, Xu Yang, et al. Quantificagion modeling for environmental complexity under point source infrared decoy interference [J]. Infrared and Laser Engineering, 2020, 49(2): 20204003. (in Chinese)
    [29] Lu Xiao, Liang Xiaogeng, Jia Xiaohong. Study on intelligent counter-countermeasures of infrared imaging air-to-air missiles [J]. Infrared and Laser Engineering, 2021, 50(4): 20200240. (in Chinese) doi:  10.3788/IRLA20200240
    [30] Li Chuanliang, Li Taorui, Wang Chaozhe. Influence of parameters of decoy on jamming effectiveness of surface source infrared decoy [J]. Infrared and Laser Engineering, 2021, 50(8): 20210006. (in Chinese) doi:  10.3788/IRLA20210006
    [31] Chen Faling, Ding Qinghai, Luo Haibo, et al. Anti-occlusion real time target tracking algorithm employing spatio-temporal context [J]. Infrared and Laser Engineering, 2021, 50(1): 20200105. (in Chinese) doi:  10.3788/IRLA20200105
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(13)  / Tables(1)

Article Metrics

Article views(350) PDF downloads(114) Cited by()

Related
Proportional views

Application of automatic target recognition in image terminal guidance

doi: 10.3788/IRLA20220391
  • Southwest Institute of Technical Physics, Chengdu 610041, China
Fund Project:  Air Force Pre-research Program(303020303)

Abstract: The engineering application of automatic target recognition is the key technology to realize the long-range and precise strike after the image terminal-guided missile is launched. The development history, identification method, technical level and application effect of automatic target recognition of precision-guided weapons at home and abroad are summarized. The recognition methods and application scenes based on target features and template matching are analysed, and two types of engineering verification effective methods are identified. The automatic target recognition method combines the automatic target recognition process, such as task planning, main execution content, and the impact of planning quality on different recognition methods. To meet the needs of intelligent development of precision guided weapons in the future, the engineering application of deep learning recognition technology has become a new trend. To solve the balance problem between the efficiency and application accuracy of deep learning algorithms, this paper focuses on the analysis of network pruning, weight quantization, and low rank. The key technologies of real-time acceleration inference such as approximation and knowledge distillation; for network model training, ideas for effectively solving problems such as insufficient training samples or difficulty in obtaining military target samples are proposed. With the wide application of multiband and multimode composite guidance technology, information fusion provides a new technical approach for the engineering application of target recognition. How to adapt to various complex scenes and artificial active interference is a major challenge for image terminal guidance. The robustness of target recognition under interference conditions is expounded, which is an engineering problem that needs to be urgently solved in the application of automatic target recognition technology in image terminal guidance.

    • 图像制导具有精度高、抗电子干扰能力强、可实现毁伤效果评估等优点,是导弹高精度打击的重要手段[1-2],受作用距离限制,主要在导弹逼近目标末段起作用,故称为图像末制导。自动目标识别(Automatic Target Recognition,ATR)能对目标进行自动识别和捕获,可实现导弹“发射后不管”、“防区外远程精确打击”等战技要求,是精确制导武器和智能化弹药图像末制导的关键技术,已在国内外的典型红外和电视成像制导武器中完成了工程化应用验证。在近二十多年的几次局部战争和地区冲突中,国外的多型精确制导导弹投入实战,实现了人在回路到自动目标截获的跨越,命中精度提高到了一个新的数量级,自动目标识别在图像末制导中取得了巨大的应用成功。随着深度学习技术、复合制导、信息融合处理等新技术在图像末制导中的工程应用兴起和突破,为有效解决多目标识别、复杂场景适应性提升、干扰对抗下可靠识别跟踪、多弹协同探测识别等实战化问题提供了新手段,自动目标识别技术丰富了新的技术内涵,进入了工程化应用验证新阶段。

    • 在国外,基于图像的自动目标识别技术已从早期对空目标的武器系统逐步应用到反舰和对地大型固定目标的武器系统中。在ATR技术实用化之前,美国SLAM采用人在回路方式。AGM-84 H/K(SLAM-ER)是世界上第一种进入实战应用的ATR导弹系统,SLAM和SLAM-ER是ATR技术实用化的分水岭[3]。SLAM-ER采用模板匹配算法将红外导引头实时获取图像与任务规划时存储的基准图进行比较,从场景中自动捕获目标,为驾驶员提供实时目标引导。美国的LRASM反舰导弹采用主动/被动雷达和红外成像制导体制,如图1所示,首先利用被动射频传感器的数据识别并跟踪舰船目标,然后通过弹载雷达接收的回波信号与存储的目标三维模型进行匹配识别敌方舰艇,在末段,综合雷达和红外图像数据提取目标要害点进行攻击,是自动目标识别在多模复合制导技术的典型应用[4-5]。针对地面大型固定目标,如美国的SLAM-ER空地导弹、JASSM空地导弹,英国的风暴阴影导弹,德国的KEPD-350空地导弹等,射程都超过了300 km,采用基于模板匹配技术,实现对被攻击目标的自动识别和捕获,获得10 m以内的CEP (Circular Error Probable)命中精度。在针对地面移动目标的应用中,美国GBU-53/B小直径炸弹Ⅱ (SDBⅡ)验证了从诱饵中识别出目标的能力,实现了运动目标的自动检测、捕获和跟踪,达到了3 m CEP的精度水平,为战术飞机打击移动/可重新定位目标和静止目标提供了新技术、新手段[6-8]。SPICE-250炸弹最大射程超过100 km,采用图像末制导,集成了移动目标探测和预打击自动识别能力,飞行员选择要攻击的目标分配给某一炸弹,并向目标附近发射,惯导系统进行初始制导,在接近目标区域,炸弹使用ATR模式识别目标,自主截获锁定并追踪选定目标[9],命中精度CEP小于3 m,如图2所示。在国内的防空、空空、反舰和对地固定目标打击等导弹或炸弹的图像末制导应用中,已经从完全人在回路逐渐发展到了发射前锁定、发射后不管模式,实现了基于模板匹配目标识别,自动目标捕获跟踪功能,具备了防区外远程精确打击能力。典型的ATR图像末制导应用如表1所示。

      Figure 1.  LRASM anti-ship missile with automatic target recognition technology

      Figure 2.  SPICE bomb with automatic target recognition technology

      Missile modelNationMain features
      AGM-84 H/K SLAM-ERU.S.Air-to-surface missiles, complex ground, sea and sea-sky scenes, ground fixed、moving targets and ship targets, infrared imaging guidance, recognition technology based on template matching,
      moving target detection technology
      AGM-158 series JASSM & LRASMU.S.Air-to-surface missiles, complex ground, sea and sea-sky scenes, infrared imaging guidance, fixed or moving targets on land or sea, 3D model matching recognition technology,
      feature-based recognition technology, and identification of key parts of targets
      Storm ShadowU.K.Air-to-ground missiles, complex ground scenes, ground fixed targets, infrared imaging guidance,
      based on template matching recognition technology
      SCALPFrance
      KEPD-350Germany
      SPICE-250IsraelAir-to-surface bombs, complex ground scenes, fixed targets, time-sensitive targets, moving targets, with automatic target recognition and moving target detection functions, photoelectric imaging guidance, scene matching technology, deep learning technology, can be loaded with more than
      100 target information, after launch updatable target

      Table 1.  Application of automatic target recognition technology abroad

    • 自动目标识别技术工程化应用是图像末制导导弹实现发射后不管和远程精确打击的关键。梳理典型图像末制导武器,分析其打击目标类型、目标特点和作战场景,依据不同识别算法的基本原理和基础理论,已经成功应用的自动目标识别方法总体上分为两类:基于目标特征和基于模板匹配的识别方法[10],二者在自动目标识别效果上各有特色和优势。基于目标特征的识别方法具备识别和跟踪一体化能力[11],但对复杂场景的适应能力不足,主要应用于对海和对空等相对简单的作战场景,目标特征信息丰富、稳定、易于提取,先验知识充足,适宜采用统计模式、基于知识、基于模型、机器学习、多传感器信息融合等目标识别算法实时实现的图像末制导应用[12]。基于模板匹配的识别方法对复杂场景适应能力更强,应用于对地固定大中型战略战术高价值目标作战场景,适宜采用基于灰度相关、归一化相关、FFT相位相关、SHIFT和Hausdorff距离等匹配算法实时信号处理计算实现[13],可以解决防区外发射的中远程图像末制导自动目标截获难题。

    • 基于模型和知识、统计模式目标识别技术是在图像末制导中实现了工程化应用验证,并经实战确认有效的几种基于目标特征识别方法。统计模式识别是在目标场景进行分割的基础上,提取图像每一目标区域独立可鉴别的特征,如边缘轮廓、区域、直方图、矩特征、傅里叶描述子和图像奇异值等,获得一组最有效的特征向量,使得同类目标具有最大相似性,不同类目标具有最大差异性,再利用目标先验特征识别,在防空和空空对抗等作战场景的工程应用广泛。基于模型的目标识别是在统计模式识别的基础上引入模型假设,如引入舰桥局部和舰船整体位置关系模型,将分割提取的候选区域与位置关系模型进行相似性度量,从而获得舰桥关键部位识别,这类方法在掠海飞行的反舰导弹中已得到工程应用。基于知识的目标识别是在基于模型基础上构造目标有效知识库,识别过程中进行空间/时间、层次化稳健推理等操作,如识别河流上的桥梁,利用桥身纵向为水域、横向延伸到陆地、长度不会超过水域太多、表现为线状等上下文特征信息,在濒临水域识别定位桥梁;再如热电厂识别,利用冷却塔在主厂房旁边的位置关系,在优先定位冷却塔基础上,实现厂房定位。基于知识的策略准则可与统计模式识别和基于模型的识别方法相结合,如选择舰船目标舰桥下吃水线部位作为瞄准点进行识别攻击,就是一种典型应用。

    • 基于目标特征的识别方法需要对图像分割并提取可区分的特征,在对地复杂场景应用中,通常难以获得自适应阈值分割成可辨识的独立区域,其基本原理极大地制约着对地目标识别的工程应用。基于模板匹配的目标识别利用作战规划和目标侦察等战前保障获取的图像,预先提取目标边缘结构或纹理等作为基准图特征,制作模板数据并装订储存在弹载计算机中,飞行中的导弹导引头从获取的实时图像提取相应特征与模板进行匹配比较识别目标,并定位目标在实时图中的位置。由于地面场景复杂性和大中型固定目标较长时间内的稳定性,目标呈现出独特的结构或纹理等特征,使得该方法对地面大中型固定目标的识别特别有效。高性能低功耗数字信号处理器技术和高速大容量存储器技术的低成本应用,促进了模板匹配算法工程化实时性问题根本解决,推动了基于模板匹配的识别方法在图像末制导导弹中的工程应用现实。典型的应用有美国的SLAM-ER、JASSM和德国的KEPD-350空地导弹,SLAM-ER采用模板匹配算法将红外导引头实时获取的图像与在任务规划时存储在导弹上的基准图进行比较,从目标场景中自动确定预先规划的瞄准点。JASSM每枚导弹存储八种不同目标模板(三维模型),并转换为用于红外成像导引头的数字模板[4],采用模板匹配算法识别目标。KEPD-350空地导弹中段巡航采用模板匹配图像导航将导引头的实时图像和预存的导航点卫星图匹配,解算导弹相对于导航点的位置进行导航,制导末段,导弹爬升到最适合目标捕获和攻击的高度,利用预存的目标模板图与导引头实时图像进行匹配识别,实现自动目标捕获跟踪和攻击。

    • 在图像末制导工程化应用中,自动目标识别执行内容涉及战前任务规划和制导末段的自动目标识别与捕获锁定。

    • 任务规划通常在导弹发射前完成。基于目标特征的识别方法,任务规划包括导弹攻击航迹、弹道,目标类型、固定/运动等特征信息装订,获取更多的目标先验知识。基于模板匹配的识别方法,还需将模板基准图导入任务规划系统,人工指定目标区域及瞄准攻击点,提取目标边缘结构或纹理等特征,最终生成任务规划文件,在发射前将其装订入导弹。

    • 进入制导末段,图像导引头进行目标自动识别、捕获和跟踪。基于目标特征的识别方法,首先利用上下文信息生成的准则判据对每帧图像进行分割,然后进行特征提取和选择,通过空间区分和时间累积进行目标检测和识别,定位目标在实时图中的位置,实现目标捕获并转入自动跟踪,当目标呈现出显著轮廓细节时,执行目标要害部位识别或瞄准点自动修正。基于模板匹配的识别方法,首先根据导弹进入方向和弹目距离对实时图像进行尺度和方位变换,消除实时图与模板图之间的尺度和方位差异,再按照任务规划中提取特征的方法,对变换后的图像进行边缘结构或纹理等特征提取,然后实时图与模板基准图的相应特征进行匹配识别,定位瞄准点在实时图中的位置,实现目标捕获并转入自动跟踪。

    • 基于目标特征的识别方法不需要做更多前期工作,任务规划内容相对较少,依靠既定的算法自动识别目标或要害部位,存在不能准确识别的风险,对不同目标命中精度很难获得一致性保证。基于模板匹配的识别方法需对目标区域和瞄准点进行指定,对模板基准图进行特征提取等处理,模板制作保障复杂,作战任务规划内容较多,提供了相对稳定的模板基准图,对于不同目标匹配识别准确性较高,命中精度一致性较稳定。

    • 深度学习主要有基于卷积运算的神经网络(CNN)、基于多层神经元的自编码神经网络和深度置信网络(DBN)等。在图像导引头中,卷积神经网络为复杂场景下单目标、同一场景下多目标、不同程度遮挡目标[14]的自动检测(如图3所示)和舰船、坦克、飞机等目标识别(如图4所示)提供了新方法。通过深度学习目标检测算法框架,利用目标情报数据训练深度学习网络,实现对战时导引头获取的图像目标自动检测、识别和定位[11]。在成像分辨率低、目标尺度及形状变化大、场景杂波复杂、通常伴随较多遮挡及干扰的图像末制导工程应用中,深度学习利用深层次神经网络提取目标的多尺度特征信息,与传统目标特征提取算法相比,具有鲁棒性更好、复杂场景适应能力更强等特点,为图像末制导目标识别面临的诸多应用难题提供了解决方案。

      Figure 3.  Deep learning target detection in different scenes

      Figure 4.  Deep learning recognition of ships, tanks and aircraft targets

      尽管深度学习技术在目标识别领域取得了显著进展[15],但是算法效率与精度的矛盾;尺度变化复杂性(姿态和视角变化、局部形变等)、源域与目标域差异、弱小目标等图像结构变化;难以保障的基准训练数据等问题,仍然影响着军事目标识别的工程应用性能。实时加速推理和有效训练样本获取等仍是深度学习识别技术在图像末制导中取得工程应用突破的关键技术。

    • 为了获取更高精度,深度学习网络模型通常具有参数多、数据存储量大、训练时间长等特点,而在图像末制导应用领域,导引头信息处理平台是一种典型的嵌入式、低功耗、实时处理系统,为了解决嵌入式受限资源条件下应用问题,提升图像末制导的智能目标识别性能[16],深度学习技术工程化应用需要构建网络规模更小、训练时间更短、泛化能力更强、精度与效率更高的模型,在最少的资源尽可能快地迭代,解决好算法效率与应用精度的平衡,实时加速推理是实现这种平衡的有效技术途径,工程上通常采用网络剪枝、权值量化、低秩近似和知识蒸馏等方法。

    • 对于数据而言,基于典型模型架构设计的神经网络大小与结构往往存在冗余。研究表明,在许多网络中,80%~90%经过训练的权值对整体精度影响不大,即使被移除,精度损失也很小。基于该思想,剪枝技术搜寻网络中的冗余连接并将其移除,使其不再参与前向传播过程,起到减少计算量的作用,剪枝可以在一个网络的多个尺度上进行,最小模型是通过在单独的权重级别上剪枝来实现的。如图5所示,移除的神经元及相应连接不再存储计算,原本稠密的神经网络变得稀疏。

      Figure 5.  Principle of network pruning technology

    • 量化是将每个浮点权重映射到一个固定精度的整数,该整数的bit数少于原始浮点数。 权值量化通过减少每个权重的比特数对权重数值进行聚类。统计权重和激活取值范围,找到最大和最小值进行max-min映射,把全部权重和激活映射到更少的bit范围,在卷积神经网络中,将参数所分布的数值空间划分成k个类别,再存储每类的中心值或者映射值实现存储压缩。权值量化技术原理如图6所示。

      Figure 6.  Principle of weight quantization technology

    • 低秩分解从分解矩阵运算的角度对模型计算过程进行优化,具有清晰的数学解释,是减少模型冗余和加速模型运算的一种有效方法,特别是全连接层的压缩和加速。在卷积神经网络中,参数通常以多维矩阵形式保存,大多数计算量分布在卷积层中,低秩分解就是用线性代数的方法将参数矩阵分解为一系列小矩阵组合,使得小矩阵组合在表达能力上与原始卷积层基本一致。

    • 若预先对一个繁琐笨重的大型网络(教师网络)模型进行了训练,就可以使用蒸馏方式进行训练,将知识从繁琐模型转移到更适合部署的小模型(学生网络),其原理如图7所示。

      Figure 7.  Principles of knowledge distillation technology

    • 当前人工智能和机器学习的许多成功算法都需要大量数据训练,如AlexNet使用深度卷积神经网络将120万个高分辨率图像分为1000个不同类。在军事应用领域很难得到这样巨大的数据集,即便有大量数据,它们通常不是标注的,若提供的是稀疏、不完全的数据集时,许多算法(如卷积神经网络)得不到良好性能,不适宜支持军事运用场景[4]。经典的深度学习算法要获得较好精度必须有充足有效样本(标注或未标注),如图8给出了一种标注样本示例。对杂乱无序的图像进行基准标注代价高昂[17],而且军事专业领域客观存在真实有效训练样本缺失,甚至无法直接获取,深度学习面临着如何利用小型基准标注数据或零基准数据,即小样本或零样本识别算法的问题[18]。在早期的深度学习目标识别应用中,主要通过大量试验获取并积累典型数据,再经翻转、平移、旋转、缩放等变换算法处理扩增训练样本集[19],制作模型训练样本,如图9所示,分别为舰船目标样本(图9(a))、海面背景样本(图9(b))和海杂波等干扰样本(图9(c)),已经取得了一定的应用效果,但经实战化有效性验证仍不充分。近年来,为解决图像末制导应用中样本问题,研究者提出了多种解决方案:(1) 深度强化学习具有完全基于数据、对训练模型所需要的数据更少,消除了传统深度学习对标记数据的严格要求;无需模型知识、可以通过模拟来训练模型; 端到端自学习、高维连续数据处理等多种优秀特性,有利于解决小样本问题。(2) 有研究者提出了同时训练模型并在线生成用于下次迭代训练的样本数据方法,采用迁移学习或合成图像生成器来解决数据库规模较小的问题。(3) 另一条途径就是结合训练集(源域)与测试集(目标域)差异性,利用仿真图像训练,在真实场景中采用自适应目标识别算法,如采用图像几何变化及金字塔生成对抗网络的特征拟合,构建几何空间与特征空间联合的红外舰船目标图像数据增强方法,验证了小样本红外舰船图像数据增强的可行性[20]。尽管这些方法为解决图像末制导中难以获取训练样本的难题提供了较好思路,但其工程化应用尚不成熟,仍然存在较大风险。有效训练样本不足或获取技术制约着深度学习识别技术在图像末制导中工程化和实战化应用,仍是需要解决和突破的关键技术。

      Figure 8.  Sample annotation

      Figure 9.  Sample library construction

    • 作为图像末制导的一个重要应用领域,未来光电导引头将向电视/非制冷红外、中波/长波光学多波段或双色探测;或者红外/雷达、红外/毫米波/激光等多模复合制导体制发展[21]。复合探测技术的应用解决了多种信息获取问题,各种探测成像信息对目标、背景和干扰等分类对象的特征表示方式、效率和能力不尽相同。不同的复合制导体制可以采用不同的融合识别方法。Bahy Ramy M提出了一种基于混合特征和基于强度的融合识别方法,可获得更准确和更成功的识别率[22]。多波段复合成像制导主要采用图像融合方法提升目标识别性能[23],该方法利用不同波段信息差异的优缺点,一方面能补充并丰富单一波段图像不能获取的信息,另一方面增强突显各种特征信息,更好地提升目标辨识区分能力。采用像素级算法可以将电视与红外[24]、不同波段的红外图像进行融合,然后采用目标识别技术对融合图像进行处理,提取目标特征,进行目标检测识别,其原理如图10所示。可见光与红外像素级图像融合不但能够保留可见光图像细节,而且能够凸显红外图像中的目标,提高了特征提取能力[25],在融合图像上更有利于目标检测识别。采用卷积神经网络等算法分别对电视和红外图像、或者不同波段的红外图像进行深度特征提取,构建特征融合网络,融合不同特征和语义信息[26-27],然后进行特征级融合生成融合特征,在融合特征基础上进行目标检测识别,其原理如图11所示。对于红外/雷达、红外/毫米波/激光等多模复合制导体制,根据作战使用模式进行决策级融合,某探测模式受到干扰时,不影响其他探测模式使用,单模从各自探测信息中独自检测识别目标,对多模目标检测识别结果进行决策级融合,可修正目标识别性能。如在红外/毫米波/激光复合制导体制中,激光远距离截获目标后,红外可以融合激光目标指示信息,从复杂背景中进行检测捕获目标,提升了自动目标识别能力。

      Figure 10.  Pixel-level image fusion target recognition

      Figure 11.  Feature-level image fusion target recognition

    • 未来作战中各种干扰手段的应用使得对抗强度高、战场环境异常复杂[28-30],图像末制导导引头在对目标进行检测、识别和跟踪过程中,目标的视在形态除了存在变形、膨胀、旋转等,还可能被局部遮挡、全部遮挡和相似物干扰,如图12所示。复杂战场存在大量场景干扰因素,如战场火光、地物杂波、海面鱼鳞波、天空云层等背景干扰,雨雪、雾霾等气象影响。受到各种新型人工干扰威胁,如伪装网、涂料、隐身材料等无源干扰,烟幕、诱饵弹、干扰机和定向红外等有源干扰,如图13所示。在干扰条件下的自动目标检测识别准确性和跟踪稳定性存在很大不确定性,如何提升在光照变化、背景干扰和目标形变等不利因素影响下的识别概率和跟踪鲁棒性[31],是自动目标识别在工程上应用的关键。自适应抗复杂干扰是目标识别工程化应用面临的重大挑战,是图像末制导中自动目标识别应用发展趋势。

      Figure 12.  Tank detection and recognition under occlusion interference conditions

      Figure 13.  Ship and aircraft identification under infrared jamming

    • 精确制导武器打击的目标包括地面战略战术固定目标、舰船、飞机和坦克装甲等典型移动目标;面临复杂地面、海面和空中等典型作战场景,需要应对战场环境、不同程度的各种随机遮挡影响、烟幕和诱饵弹等人工主动干扰对抗;图像末制导导引头依托不同速度、不同过载、不同气动条件下的导弹平台,通常采用单波段、多波段或多模复合等成像制导体制;不同算法运行于DSP、GPU、CPU和FPGA等不同信息处理硬件架构体系。面对图像末制导复杂多样的应用需求,自动目标识别新技术的工程化成熟应用和适应性有效提升,必将引领未来精确制导武器的智能化变革。

Reference (31)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return