袁漢欽 陳 棟 楊傳棟 王昱翔 劉 楨

（1.海軍駐合肥地區(qū)軍事代表室 合肥 230031）（2.陸軍炮兵防空兵學(xué)院 合肥 230031）

（3.高過載彈藥制導(dǎo)控制與信息感知實(shí)驗(yàn)室 合肥 230031）

1 引言

圖像末制導(dǎo)彈藥是信息化彈藥重要組成，在各國(guó)各軍種彈藥發(fā)展中得到廣泛關(guān)注和應(yīng)用。其利用CMOS圖像傳感器獲取目標(biāo)圖像，彈載處理系統(tǒng)對(duì)圖像清晰化處理后進(jìn)行目標(biāo)檢測(cè)和跟蹤，根據(jù)目標(biāo)中心距視場(chǎng)中心偏差實(shí)時(shí)調(diào)整彈體姿態(tài)最終控制彈藥命中目標(biāo)。其中基于圖像的目標(biāo)檢測(cè)作為核心環(huán)節(jié)，其提供打擊點(diǎn)的準(zhǔn)確性和實(shí)時(shí)性對(duì)于調(diào)整彈藥命中目標(biāo)至關(guān)重要，受到高度重視。

圖像末制導(dǎo)技術(shù)通常有基于圖像分割的方法、基于匹配的方法和基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)方法，如文獻(xiàn)［1］對(duì)Otsu圖像分割算法改進(jìn)能夠?qū)⒛繕?biāo)進(jìn)行分割，文獻(xiàn)［2］采用可替換模板的SIFT特征進(jìn)行匹配一定程度上解決目標(biāo)檢測(cè)中尺度變化問題，文獻(xiàn)［3］利用Harr特征結(jié)合Adaboost算法實(shí)現(xiàn)了對(duì)坦克類目標(biāo)檢測(cè)。但是傳統(tǒng)分割方法僅適用于簡(jiǎn)單背景且目標(biāo)與背景對(duì)比度差異明顯情況，基于匹配的方法和傳統(tǒng)的基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)方法利用模板或者手動(dòng)設(shè)計(jì)的特征對(duì)于目標(biāo)旋轉(zhuǎn)尺度、光照背景變化等因素魯棒性不足，并且基于滑動(dòng)窗口的區(qū)域選擇策略時(shí)間復(fù)雜度高?？紤]到彈載環(huán)境下目標(biāo)尺度角度會(huì)發(fā)生很大變化，戰(zhàn)場(chǎng)環(huán)境復(fù)雜多變且目標(biāo)自身具有一定隱蔽能力，綜合來看，傳統(tǒng)檢測(cè)算法應(yīng)對(duì)復(fù)雜現(xiàn)代戰(zhàn)場(chǎng)環(huán)境的能力不足。

近年來基于CNN的方法依靠大數(shù)據(jù)優(yōu)勢(shì)，省去了人工設(shè)計(jì)特征的環(huán)節(jié)，以監(jiān)督學(xué)習(xí)的方式，具有更有效的特征表達(dá)能力，成為當(dāng)前圖像目標(biāo)檢測(cè)領(lǐng)域最熱門的深度學(xué)習(xí)模型。目前可分為基于候選框的兩階段檢測(cè)算法［4］、基于回歸的單階段檢測(cè)算法［5］及無候選框的單階段檢測(cè)算法［6］。其中基于回歸的單階段檢測(cè)算法在檢測(cè)速度上達(dá)到了實(shí)時(shí)的要求，并且通過網(wǎng)絡(luò)壓縮和加速等技術(shù)，該類算法部署在FPGA等常用的彈載硬件平臺(tái)上能夠達(dá)到上百幀每秒的速度［7］。

當(dāng)前目標(biāo)檢測(cè)普遍使用矩形邊界框定位圖像中的目標(biāo)，利用矩形中心標(biāo)定打擊點(diǎn)。但此方式存在以下問題：邊界框的長(zhǎng)寬比因目標(biāo)旋轉(zhuǎn)發(fā)生變化，無法反映同一目標(biāo)的實(shí)際形狀；當(dāng)目標(biāo)在圖中有傾斜時(shí)，邊界框內(nèi)背景像素點(diǎn)占近半數(shù)，目標(biāo)和背景難以有效區(qū)分，不能精確地對(duì)目標(biāo)打擊點(diǎn)進(jìn)行標(biāo)定，進(jìn)而影響打擊效果。應(yīng)對(duì)該問題，主要有通過旋轉(zhuǎn)檢測(cè)框和目標(biāo)分割的方法：文獻(xiàn)［8］在單階段算法上設(shè)計(jì)了一系列旋轉(zhuǎn)檢測(cè)框進(jìn)行遙感圖像目標(biāo)檢測(cè)，但實(shí)時(shí)性難以滿足；近年來基于CNN的目標(biāo)分割算法如Mask-RCNN［9］能夠?qū)崿F(xiàn)對(duì)復(fù)雜背景下目標(biāo)分割，并且YOLACT［10］在實(shí)時(shí)性上有了新的突破，為本文解決彈載目標(biāo)檢測(cè)提供了思路和方法。

為了更加快速準(zhǔn)確地對(duì)多類軍事目標(biāo)分類并為打擊提供更準(zhǔn)確的打擊位置，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多類彈載圖像目標(biāo)快速分割方法。該方法首先采用遷移學(xué)習(xí)的設(shè)計(jì)思路，使用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練完成的ResNet50作為基礎(chǔ)特征提取網(wǎng)絡(luò)，針對(duì)多類軍事目標(biāo)檢測(cè)任務(wù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行改動(dòng)和微調(diào)；其次，沿用YOLACT中的檢測(cè)框架結(jié)合預(yù)測(cè)子網(wǎng)絡(luò)和掩膜生成網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行檢測(cè)和分割；預(yù)測(cè)子網(wǎng)絡(luò)結(jié)合預(yù)設(shè)候選框在不同分辨率的卷積特征圖上進(jìn)行分類和邊界框回歸，提高了對(duì)尺度變化的魯棒性；掩膜生成網(wǎng)絡(luò)結(jié)合掩膜預(yù)測(cè)系數(shù)線性組合不同部位的激活特征，輸出目標(biāo)及目標(biāo)部件的分割結(jié)果；最后利用分割結(jié)果后處理后輸出目標(biāo)旋轉(zhuǎn)檢測(cè)框和打擊目標(biāo)的形心位置，克服了普通矩形框不足。同時(shí)通過數(shù)據(jù)增強(qiáng)方式豐富數(shù)據(jù)集，提高了應(yīng)對(duì)目標(biāo)旋轉(zhuǎn)、背景光照變化等復(fù)雜環(huán)境的能力。

2 基于掩膜組合的目標(biāo)分割算法

本文提出的目標(biāo)分割算法整體框架如圖1所示。整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)由三部分組成：特征提取網(wǎng)絡(luò)、掩膜生成網(wǎng)絡(luò)和多尺度預(yù)測(cè)子網(wǎng)絡(luò)。首先利用特征提取網(wǎng)絡(luò)提取圖像特征，利用掩膜生成網(wǎng)絡(luò)和預(yù)測(cè)分支網(wǎng)絡(luò)對(duì)目標(biāo)的類別、位置和模板系數(shù)進(jìn)行預(yù)測(cè)并融合基本掩膜模板，通過極大值抑制和得分閾值篩選，輸出預(yù)測(cè)目標(biāo)的類別、位置和目標(biāo)位置內(nèi)對(duì)應(yīng)的目標(biāo)掩膜。

圖1 目標(biāo)分割算法框架

2.1 特征提取網(wǎng)絡(luò)

特征提取是目標(biāo)檢測(cè)任務(wù)中的第一步，特征合理與好壞決定著后續(xù)檢測(cè)的效果。權(quán)衡速度和精度的需求后，本文選擇了基于ResNet50預(yù)訓(xùn)練網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，為了便于訓(xùn)練快速收斂，通常使用在大規(guī)模的圖像數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練好的模型，采用遷移學(xué)習(xí)的思路在特定數(shù)據(jù)集上再訓(xùn)練進(jìn)行模型參數(shù)調(diào)整實(shí)現(xiàn)檢測(cè)任務(wù)。

在一個(gè)多層卷積神經(jīng)網(wǎng)絡(luò)中，低層特征通常能更好地表征圖像紋理、邊緣等細(xì)節(jié)信息，經(jīng)過多層卷積操作后得到的高層特征能更好地表征語義信息。僅使用Conv5_3卷積特征進(jìn)行后續(xù)預(yù)測(cè)，會(huì)由于該層分辨率不足導(dǎo)致對(duì)弱小目標(biāo)檢測(cè)能力有限。為了應(yīng)對(duì)彈載目標(biāo)尺度變化，本文選擇了特征金字塔結(jié)構(gòu)，將Conv5_3卷積特征作為金字塔P5層特征；P5層特征經(jīng)過下采樣作為P6特征；經(jīng)過卷積操作降低通道數(shù)的Conv4_3特征與經(jīng)過上采樣到Conv4_3同樣分辨率的P5特征融合作為金字塔P4層特征，同理Conv3_3與P4得到P3特征。不同分辨率的特征P3，P4，P5，P6共同構(gòu)成特征金字塔，提高了對(duì)大尺度變化的適應(yīng)能力。

2.2 掩膜生成網(wǎng)絡(luò)

區(qū)別于一般目標(biāo)檢測(cè)任務(wù)只需要對(duì)目標(biāo)分類和定位，目標(biāo)分割還需要設(shè)計(jì)掩膜生成網(wǎng)絡(luò)來獲得目標(biāo)區(qū)域的二值激活圖，稱其為目標(biāo)掩膜。本文采用掩膜生成網(wǎng)絡(luò)結(jié)合掩膜系數(shù)進(jìn)行線性組合的方式解決此問題。掩膜生成網(wǎng)絡(luò)生成一系列不同位置的激活圖，掩膜預(yù)測(cè)分支為每個(gè)掩膜預(yù)測(cè)掩膜系數(shù)作為權(quán)重，通過線性組合得到最終目標(biāo)掩膜。本文使用的掩膜生成網(wǎng)絡(luò)具體結(jié)構(gòu)如表1所示，該網(wǎng)絡(luò)以P3層特征（69×69×512）為輸入進(jìn)行三次相同的卷積操作，利用反卷積操作增加尺度（138*138*256），利用點(diǎn)卷積降維并通過修正線性單元（Re-LU）進(jìn)行修正，得到分辨率是138*138、維度為k的掩模圖。產(chǎn)生k層特征激活掩模。選擇k=32兼顧速度和精度。每個(gè)掩膜對(duì)應(yīng)不同的屬性。如圖2掩膜分別對(duì)艦船的指揮塔、船體、背景等部位進(jìn)行了激活，并且各有所側(cè)重，并不是單獨(dú)作用。

表1 掩膜生成網(wǎng)絡(luò)結(jié)構(gòu)

2.3 多尺度預(yù)測(cè)子網(wǎng)絡(luò)

預(yù)測(cè)子網(wǎng)絡(luò)對(duì)特征金字塔中每層不同分辨率的特征進(jìn)行預(yù)測(cè)，使得彈載圖像目標(biāo)尺度從大到小變化的問題得到較好地應(yīng)對(duì)。整個(gè)子網(wǎng)絡(luò)對(duì)目標(biāo)類別和位置及掩膜系數(shù)預(yù)測(cè)。具體網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

表2 預(yù)測(cè)分支網(wǎng)絡(luò)結(jié)構(gòu)

在不同尺度特征圖上經(jīng)過兩層卷積操作及Re-LU激活函數(shù)激活后，位置預(yù)測(cè)分支對(duì)W×H尺寸大小特征圖上的每個(gè)網(wǎng)格中心點(diǎn)生成4×a個(gè)相對(duì)于先驗(yàn)框的坐標(biāo)偏移量值。其中a表示對(duì)應(yīng)a個(gè)先驗(yàn)框，本文選擇a=3，4表示相對(duì)于先驗(yàn)框中心坐標(biāo)和寬高的偏移量 (lcx，lcy，lw，lh) ，即對(duì)預(yù)測(cè)框大小b=(bcx，bcy，bw，bh)進(jìn)行了一個(gè)編碼過程，如式（1）：

其中d=(dcx，dcy，dw，dh)為先驗(yàn)框大小。在預(yù)測(cè)前向傳播時(shí)，將預(yù)測(cè)輸出的偏移量根據(jù)式（1）解碼為原始大小，即式（2）：

通過編解碼的方式，邊界框的學(xué)習(xí)方式從直接學(xué)習(xí)邊界框尺寸變成了學(xué)習(xí)相對(duì)于預(yù)設(shè)先驗(yàn)框中心平移和寬高縮放的線性回歸，相當(dāng)于通過平移和縮放兩個(gè)步驟實(shí)現(xiàn)從先驗(yàn)框向近似真實(shí)目標(biāo)邊界框的過渡，相比直接預(yù)測(cè)邊界框大小，該方式能讓邊界框訓(xùn)練更快收斂。

分類分支利用3×3卷積對(duì)W×H尺寸大小的特征圖上的每個(gè)網(wǎng)格中心點(diǎn)生成a×c個(gè)預(yù)測(cè)類別概率值，c為目標(biāo)類別個(gè)數(shù)加背景類，最高的概率值表示所屬的類別。

由于網(wǎng)絡(luò)對(duì)每層各個(gè)網(wǎng)格位置都進(jìn)行了預(yù)測(cè)，得到接近2萬個(gè)候選結(jié)果，存在大量的無用結(jié)果，需要對(duì)初步預(yù)測(cè)結(jié)果進(jìn)行篩選。彈載相機(jī)視場(chǎng)小、同一場(chǎng)景中需選擇打擊的目標(biāo)數(shù)量少，因此挑選分類得分中最高的10項(xiàng)，并使用非極大值抑制去除重疊檢測(cè)，得到了一組最終的預(yù)測(cè)結(jié)果。在此基礎(chǔ)上再進(jìn)行掩膜線性組合能夠大幅降低運(yùn)算量。

掩膜系數(shù)預(yù)測(cè)分支對(duì)每個(gè)類別均輸出k個(gè)模板對(duì)應(yīng)的權(quán)重系數(shù)，作為對(duì)上節(jié)基本掩膜組合的依據(jù)。為了保證網(wǎng)絡(luò)非線性，在掩膜系數(shù)預(yù)測(cè)分支后增加tanh激活函數(shù)，能夠使輸出更加穩(wěn)定。將預(yù)測(cè)的掩膜系數(shù)按絕對(duì)值大小排序并對(duì)掩膜加權(quán)組合，如式（3）：

其中，P是138×138×k維的基本掩膜矩陣，C是n×k維的掩膜系數(shù)，n是經(jīng)過非極大值抑制和置信度閾值限制后的結(jié)果個(gè)數(shù)，σ表示利用sigmoid激活函數(shù)對(duì)其進(jìn)行非線性約束。當(dāng)k=32時(shí)，掩膜生成網(wǎng)絡(luò)得到32個(gè)模板，掩膜系數(shù)預(yù)測(cè)分支對(duì)每類目標(biāo)均產(chǎn)生32個(gè)對(duì)應(yīng)的系數(shù)。線性組合結(jié)果如圖2所示。通過線性組合分別得到了艦船指揮塔和艦船的二值掩膜。

后處理階段主要對(duì)輸出結(jié)果進(jìn)行處理。為了防止預(yù)測(cè)掩膜激活部分超出邊界框范圍，使用邊界框?qū)ρ谀みM(jìn)行裁剪。最后根據(jù)得到的目標(biāo)二值掩膜，利用目標(biāo)邊界可以得到最小包圍矩形，作為旋轉(zhuǎn)檢測(cè)框，計(jì)算旋轉(zhuǎn)檢測(cè)框或者邊界范圍的質(zhì)心作為打擊點(diǎn)，相對(duì)于傳統(tǒng)矩形框能夠提供更有價(jià)值的打擊位置。

2.4 模型訓(xùn)練

本方法通過反向傳播和隨機(jī)梯度下降方法在三種損失組成的多目標(biāo)損失函數(shù)約束下進(jìn)行端到端的訓(xùn)練，損失函數(shù)包括分類損失Lcls、邊界框回歸損失Lbox和掩膜損失Lmask，并通過平衡系數(shù)λ對(duì)三種損失進(jìn)行加權(quán)，定義如下：

分類損失使用交叉熵?fù)p失函數(shù)，計(jì)算如下：

其中i∈Pos表示正樣本，i∈Neg表示負(fù)樣本，N為正樣本個(gè)數(shù)。通過設(shè)置預(yù)測(cè)框和真值框交并比閾值區(qū)分正負(fù)樣本。

邊界框回歸損失使用smoothL1函數(shù)，掩膜損失使用像素級(jí)的二值交叉熵?fù)p失，為了提高分割效果增加了語義分割損失。計(jì)算公式如下：

經(jīng)過匹配過程后，絕大多數(shù)為負(fù)樣本，這會(huì)造成正負(fù)樣本嚴(yán)重不均衡，直接計(jì)算損失將造成負(fù)樣本損失過大導(dǎo)致訓(xùn)練不穩(wěn)定，因此需要控制正負(fù)樣本比例。不同負(fù)樣本存在難易程度區(qū)別，因此需制定特定的采樣策略對(duì)負(fù)樣本進(jìn)行挑選。本文選擇了OHEM［11］難負(fù)樣本挖掘方法，并設(shè)置正負(fù)樣本比為1：3，在所有負(fù)樣本中按照損失值降序排序選擇影響最大的部分作為訓(xùn)練樣本。該方式能夠使訓(xùn)練更加穩(wěn)定，提高訓(xùn)練效果。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集及參數(shù)設(shè)置

在室內(nèi)沙盤及戶外草地、沙地、土地等不同場(chǎng)景下利用云臺(tái)及旋翼無人機(jī)搭載彈載攝像頭在不同高度和距離上對(duì)各類目標(biāo)進(jìn)行拍攝，構(gòu)建了包括艦船、航母、坦克、遠(yuǎn)程火箭炮、導(dǎo)彈車、自行火炮六種軍事目標(biāo)數(shù)據(jù)集，并按照COCO格式制作數(shù)據(jù)集樣本。獲取約7000個(gè)樣本數(shù)據(jù)，其中6000張圖片用作訓(xùn)練集，1000張用于測(cè)試集。通過labelme工具包對(duì)樣本圖像進(jìn)行標(biāo)注，使其滿足COCO數(shù)據(jù)集格式，以便進(jìn)行訓(xùn)練。同時(shí)，借鑒了SSD［12］中數(shù)據(jù)增廣方法，對(duì)數(shù)據(jù)進(jìn)行亮度、飽和度、色調(diào)、顏色灰度扭曲等變換，以增強(qiáng)網(wǎng)絡(luò)對(duì)不同光照等環(huán)境變化的適應(yīng)性。

圖2 掩膜系數(shù)預(yù)測(cè)結(jié)果及線性組合

實(shí)驗(yàn)硬件使用配置有內(nèi)存為16GB和英偉達(dá)1070GPU的PC機(jī)；操作系統(tǒng)為ubuntu16.04，在python中基于pytorch深度學(xué)習(xí)框架對(duì)算法模型編程實(shí)現(xiàn)。整個(gè)網(wǎng)絡(luò)進(jìn)行40000次迭代，前500次采用權(quán)重預(yù)熱方式使學(xué)習(xí)率增加至0.001，20000次學(xué)習(xí)率降為0.0001，35000次后降為0.00001，動(dòng)量取0.9，權(quán)重衰減因子為0.0005，批處理圖像數(shù)為5，平衡系數(shù)設(shè)為λcls=1，λbox=1.5，λmask=6.25，訓(xùn)練正樣本交并比閾值0.5，負(fù)樣本交并比閾值0.3。

3.2 對(duì)比實(shí)驗(yàn)及結(jié)果

為了驗(yàn)證模型性能，選擇兩階段的Mask-RCNN和單階段的YOLACT兩種算法，在相同的訓(xùn)練集和訓(xùn)練策略下進(jìn)行模型訓(xùn)練，在測(cè)試集上進(jìn)行對(duì)比測(cè)試。具體對(duì)比模型選擇了三種：采用ResNet101作為基礎(chǔ)網(wǎng)絡(luò)及多尺度預(yù)測(cè)的Mask-RCNN、YOLACT及采用ResNet50作為特征提取網(wǎng)絡(luò)只用C3層預(yù)測(cè)，不使用多尺度預(yù)測(cè)方法的YOLACT-ResNet50-C3。對(duì)比結(jié)果如表3所示。從圖像時(shí)間開銷來看，由于使用了更輕量的特征提取網(wǎng)絡(luò)和參數(shù)設(shè)置，本文使用的算法具有更大的速度優(yōu)勢(shì)，是兩階段算法Mask-RCNN的23.5倍，是YOLACT-ResNet101的1.5倍，能夠達(dá)到實(shí)時(shí)性的要求。在精度上，YOLACT方法相比于兩階段算法在精度上下降并不明顯，由于使用了掩膜合成方式并利用語義分割損失進(jìn)行了彌補(bǔ)，對(duì)于高交除并重疊比時(shí)更有優(yōu)勢(shì)。在以交除并重疊比為0.5時(shí)，本文算法精度達(dá)到93.2%，以不同交除并重疊比計(jì)算得到的平均檢測(cè)誤差為73.7%，由于本文以速度作為主要需求，采用了更為簡(jiǎn)單的特征提取網(wǎng)絡(luò)，相對(duì)于對(duì)比算法有一定下降，但通過旋轉(zhuǎn)檢測(cè)方式對(duì)精度不足的問題有一定彌補(bǔ)。在不同大小目標(biāo)檢測(cè)上，可以看到相對(duì)于不使用多尺度檢測(cè)的YOLACT-ResNet50-C3，在速度上并沒有差別，而使用多尺度預(yù)測(cè)方法在中小目標(biāo)檢測(cè)上有更高的檢測(cè)精度，證明了多尺度檢測(cè)的有效性。

表3 不同模型在多軍事目標(biāo)數(shù)據(jù)集上的測(cè)試結(jié)果

圖4 模型對(duì)比結(jié)果

圖4為針對(duì)多類目標(biāo)與Mask RCNN分割效果對(duì)比。同時(shí)目標(biāo)自身有一定的類內(nèi)差異性，如遠(yuǎn)程火箭炮和導(dǎo)彈車的炮架位于不同位置?？梢钥吹剑疚乃惴軌蛴行Х诸惡途_分割，如對(duì)于細(xì)長(zhǎng)難以分割的坦克和自行火炮的炮管也能夠達(dá)到較好的分割效果，表明采用的掩膜組合方式的目標(biāo)掩膜生成方式和增加了語義分割損失起到了較好的作用。

圖5為本文在測(cè)試集上檢測(cè)結(jié)果，可以看到，對(duì)坦克、自行火炮、火箭炮目標(biāo)的識(shí)別效果體現(xiàn)出算法能滿足彈載目標(biāo)識(shí)別中大尺度變化、目標(biāo)角度變化及光照等不同背景條件變化的需求，艦艇目標(biāo)識(shí)別結(jié)果更清晰地反映了旋轉(zhuǎn)檢測(cè)及分割的優(yōu)勢(shì)，能夠?yàn)榇驌羧蝿?wù)提供更合理的打擊點(diǎn)。

圖5 部分測(cè)試結(jié)果

4 結(jié)語

本文針對(duì)彈載目標(biāo)檢測(cè)中傳統(tǒng)檢測(cè)框指示打擊位置不夠準(zhǔn)確的問題，提出了一種基于掩膜組合的多軍事目標(biāo)快速檢測(cè)分割方法。采用遷移學(xué)習(xí)的思路，在基于ResNet50網(wǎng)絡(luò)的單階段檢測(cè)算法基礎(chǔ)上，增加了掩膜生成網(wǎng)絡(luò)輸出目標(biāo)及目標(biāo)部件的分割結(jié)果，利用分割結(jié)果計(jì)算打擊目標(biāo)的形心位置和旋轉(zhuǎn)檢測(cè)框。在多尺度特征圖上進(jìn)行預(yù)測(cè)。結(jié)合數(shù)據(jù)增強(qiáng)、困難負(fù)樣本挖掘和多目標(biāo)損失函數(shù)訓(xùn)練方法，本文方法在構(gòu)建的多軍事目標(biāo)數(shù)據(jù)集上取得優(yōu)秀的檢測(cè)效果，在速度上達(dá)到28.2fps，優(yōu)于其他目標(biāo)分割算法。下一步工作主要集中在模型的剪枝和壓縮，便于在彈載硬件上進(jìn)行部署；同時(shí)研究更有效的特征提取網(wǎng)絡(luò)，在保證速度的前提下盡可能提高檢測(cè)精度。