基于边缘填充的单兵迷彩伪装小目标检测

针对迷彩单兵识别存在伪装对象与背景高度相似融合、目标尺寸小等问题,提出了基于边缘填充的单兵迷彩伪装小目标检测模型BFNet(boundary-filled network)。该网络以SCNet(sparse complex-valued neural network)作为骨干网络,在网络的边缘引导阶段,利用边缘先验信息以及边缘的周围环境来挖掘目标信息。在上下文聚合阶段,利用上一级的预测值,使网络学习预测背景与前景的相互关系。实验结果表明:与最先进的BGNet相比,BFNet平均精度提升了0.74%,交并比识别率提升了1.35%,同时自适应E度量、加权F度量以及结构相似度与加权自适应F度量均得到了提高,其中,自适应E度量提升了0.85%,加权F度量提升了0.71%,证明所提出的BFNet能在更大程度上识别出单兵迷彩伪装小目标,且识别精度也得到提升。