基于空天无人平台信息的伪装目标智能检测

doi:10.7527/S1000-6893.2025.32819

信息融合

本期目录 | 过刊浏览 | 高级检索

基于空天无人平台信息的伪装目标智能检测

耿航¹^,², 伍圯煊¹, 苟轩¹, 李新建³^,⁴(), 陈凯¹

^1.电子科技大学自动化工程学院，成都 611731
^2.电子科技大学深圳高等研究院，深圳 518000
^3.广西产研院时空信息技术研究所有限公司，南宁 530201
^4.广西大学电气工程学院，南宁 530004

收稿日期:2025-09-24 修回日期:2025-09-28 接受日期:2025-10-10 出版日期:2025-11-11 发布日期:2025-11-10
通讯作者: 李新建 E-mail:2329594059@st.gxu.edu.cn
基金资助:
国家自然科学基金(U2330206);国家自然科学基金(U2230206);国家自然科学基金(62173068);四川省科技计划项目(2025ZDZX0073);广西科技计划项目(AB24010157)

Intelligent camouflaged target detection based on information of aerospace unmanned platforms

Hang GENG¹^,², Yixuan WU¹, Xuan GOU¹, Xinjian LI³^,⁴(), Kai CHEN¹

^1.School of Automation Engineering，University of Electronic Science and Technology，Chengdu 611731，China
^2.Shenzhen Institute of Advanced Study，University of Electronic Science and Technology，Shenzhen 518000，China
^3.Guangxi Institute of Industrial Technology for Space-Time Information Co. ，Ltd，Nanning 530201，China
^4.School of Electrical Engineering，Guangxi University，Nanning 530004，China

Received:2025-09-24 Revised:2025-09-28 Accepted:2025-10-10 Online:2025-11-11 Published:2025-11-10
Contact: Xinjian LI E-mail:2329594059@st.gxu.edu.cn
Supported by:
National Natural Science Foundation of China(U2330206);Sichuan Science and Technology Program(2025ZDZX0073);Guangxi Science and Technology Program(AB24010157)

摘要/Abstract

摘要：

伪装目标智能检测旨在利用有限特征信息，智能识别隐藏在伪装环境中的目标。现有伪装目标智能检测方法存在低显著性特征、类间差异小、数据集标注成本高、小像素点特征提取手段有限及伪装场景下目标关键特征提取性能不佳等问题。针对以上问题，提出了基于空天无人平台辅助信息的伪装目标智能检测新方法。首先，提出了一种改进的深度卷积生成对抗网络，通过设计新的损失函数和注意力机制模块提高图像生成质量，从而扩充数据集；然后，设计了一种改进型的Yolov11网络——Yolov11-Codattention，该网络的独特之处在于利用空天无人平台辅助信息，内嵌了上下文信息和感受野机制2类模块，以解决低显著性特征和类间差异小等问题。通过2类模块的引入，所设计的网络在目标特征提取能力大幅增强的同时，对模型参数量的需求大幅减小。基于公开的空天迷彩数据集，进行了伪装目标检测仿真实验，实验结果表明：提出的Yolov11-Codattention算法与传统Yolov11算法相比，在召回率和mAP@50性能指标上分别提高了7.0%和4.8%，且实时性达到40 FPS；通过与7种常用目标检测算法的对比，发现Yolov11-Codattention具有更高的伪装目标检测精度。外场嵌入式部署实验结果表明：Yolov11-Codattention的平均置信度达到0.63，实时性达到30 FPS，符合工程应用需求。实验结果充分验证了所设计的Yolov11-Codattention算法在伪装目标检测任务中的有效性。

关键词: 空天无人平台, 上下文信息, 感受野机制, 目标检测, 特征提取, 伪装场景

Abstract:

Intelligent camouflage target detection aims to identify targets hidden in camouflage environments using limited feature information. Existing camouflage target detection methods have problems such as low saliency features， small inter-class differences， high annotation costs for datasets， limited means of extracting small pixel features， and poor performance in extracting key features of targets in camouflage scenarios. To address these issues， this paper proposes a new intelligent camouflage target detection method based on an auxiliary information of unmanned aerospace platforms. Firstly， an improved deep convolutional generative adversarial network is proposed to expand the dataset， and enhance the image generation quality by designing a new loss function and embedding an attention mechanism module. Then， an improved Yolov11 network-Yolov11-Codattention is designed. The uniqueness of this network lies in its use of auxiliary information from space---unmanned aerospace platforms and the integration of two types of modules： context information modules and receptive field mechanism modules. These modules help solve problems such as low saliency features and small inter-class differences. By introducing these two types of modules， the designed network significantly enhances the target feature extraction capability while reducing the demand for model parameters. Based on the public camouflage dataset， camouflage target detection simulation experiments were conducted. The experimental results show that the proposed Yolov11-Codattention algorithm improves the recall rate and mAP@50 performance indicators by 7.0% and 4.8% respectively compared with the traditional Yolov11 algorithm， and the real-time performance reaches 40FPS. Through comparison with seven commonly used target detection algorithms， it is found that Yolov11-Codattention has higher camouflage target detection accuracy. The results of the field embedded deployment experiments show that the average confidence of Yolov11-Codattention reaches 0.63， and the real-time performance reaches 30FPS， meeting the engineering application requirements. The experimental results fully verify the effectiveness of the designed Yolov11-Codattention algorithm in the camouflage target detection task.

Key words: unmanned aerospace platform, context information, receptive field mechanism, target detection, feature extraction, camouflage environment

中图分类号:

TP274⁺.3

耿航, 伍圯煊, 苟轩, 李新建, 陈凯. 基于空天无人平台信息的伪装目标智能检测[J]. 航空学报, 2026, 47(S1): 732819.

Hang GENG, Yixuan WU, Xuan GOU, Xinjian LI, Kai CHEN. Intelligent camouflaged target detection based on information of aerospace unmanned platforms[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(S1): 732819.

图/表 19

图 1

图 2

图 3

图 4

图 5

表1

各模块时间复杂度对比

模块	时间复杂度
SC	$O (W ⋅ H ⋅ K 1 ⋅ K 2 ⋅ C 1 ⋅ C 2)$
DSC	$O (W ⋅ H ⋅ K 1 ⋅ K 2 ⋅ C 1)$
SC-DSCONV	$O ((W ⋅ H ⋅ K 1 ⋅ K 2 ⋅ C 2) / (2 (C 1 + 1)))$

表1

图 6

图 7

图 8

图 9

表2

表3

表4

图 10

图 11

图 12

图 13

图 14

图 15

参考文献 21

[1]	GENG H， WANG Y F， CHEN K， et al. Multifrequency weak signal detection using a modified duffing chaotic system［J］. IEEE Transactions on Instrumentation and Measurement， 2025， 74： 6512112.
[2]	BOULT T E， MICHEALS R J， GAO X， et al. Into the woods： Visual surveillance of noncooperative and camouflaged targets in complex outdoor settings［J］. Proceedings of the IEEE， 2001， 89（10）： 1382-1402.
[3]	BOOT W R， NEIDER M B， KRAMER A F. Training and transfer of training in the search for camouflaged targets［J］. Attention， Perception， & Psychophysics， 2009， 71（4）： 950-963.
[4]	ZHANG X， ZHU C， WANG S， et al. A Bayesian approach to camouflaged moving object detection［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2017， 27（9）： 2001-2013.
[5]	GALUN， SHARON， BASRI， et al. Texture segmentation by multiscale aggregation of filter responses and shape elements［C］∥Proceedings Ninth IEEE International Conference on Computer Vision. Piscataway： IEEE Press， 2008： 716-723.
[6]	NEIDER M B， ZELINSKY G J. Searching for camouflaged targets： Effects of target-background similarity on visual search［J］. Vision Research， 2006， 46（14）： 2217-2235.
[7]	BHAJANTRI N U， NAGABHUSHAN P. Camouflage defect identification： A novel approach［C］∥9th International Conference on Information Technology （ICIT'06）. Piscataway： IEEE Press， 2007： 145-148.
[8]	武国晶，吕绪良，邢海宁，等. 三维凸面分析法在迷彩伪装检测中的应用［J］. 解放军理工大学学报（自然科学版）， 2015（6）： 582-586.
	WU G J， LYU X L， XING H N， et al. Application of three-dimensional convex analysis in pattern painting camouflage detection［J］. Journal of PLA University of Science and Technology （Natural Science Edition）， 2015（6）： 582-586 （in Chinese）.
[9]	TANKUS A， YESHURUN Y. Convexity-based visual camouflage breaking［J］. Computer Vision and Image Understanding， 2001， 82（3）： 208-237.
[10]	FAN D P， JI G P， SUN G， et al. Camouflaged object detection［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， 2020： 2777-2787.
[11]	LE T N， NGUYEN T V， NIE Z L， et al. Anabranch network for camouflaged object segmentation［J］. Computer Vision and Image Understanding， 2019， 184： 45-56.
[12]	MEI H Y， JI G P， WEI Z Q， et al. Camouflaged object segmentation with distraction mining［C］∥2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2021： 8768-8777.
[13]	CARION N， MASSA F， SYNNAEVE G， et al. End-to-end object detection with transformers［C］∥Computer Vision-ECCV 2020. New York： ACM， 2020： 213-229.
[14]	刘文婷，卢新明. 基于计算机视觉的Transformer研究进展［J］. 计算机工程与应用， 2022， 58（6）： 1-16.
	LIU W T， LU X M. Research progress of transformer based on computer vision［J］. Computer Engineering and Applications， 2022， 58（6）： 1-16 （in Chinese）.
[15]	李科岑，王晓强，林浩，等. 深度学习中的单阶段小目标检测方法综述［J］. 计算机科学与探索， 2022， 16（1）： 41-58.
	LI K C， WANG X Q， LIN H， et al. Survey of one-stage small object detection methods in deep learning［J］. Journal of Frontiers of Computer Science & Technology， 2022， 16（1）： 41-58 （in Chinese）.
[16]	邵延华，张铎，楚红雨，等. 基于深度学习的YOLO目标检测综述［J］. 电子与信息学报， 2022， 44（10）： 3697-3708.
	SHAO Y H， ZHANG D， CHU H Y， et al. A review of YOLO object detection based on deep learning［J］. Journal of Electronics & Information Technology， 2022， 44（10）： 3697-3708 （in Chinese）.
[17]	REDMON J， FARHADI A. YOLO9000： Better， faster， stronger［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 6517-6525.
[18]	REDMON J， FARHADI A. YOLOv3： An incremental improvement［EB/OL］. arXiv preprint： 1804.02767， 2018.
[19]	LI H L， LI J， WEI H B， et al. Slim-neck by GSConv： A lightweight-design for real-time detector architectures［J］. Journal of Real-Time Image Processing， 2024， 21（3）： 62.
[20]	VARGHESE R， M S. YOLOv8： A novel object detection algorithm with enhanced performance and robustness［C］∥2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems （ADICS）. Piscataway： IEEE Press， 2024.
[21]	WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module［C］∥Computer Vision-ECCV 2018. Cham： Springer， 2018： 3-19.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

算法+数据集	平均精度mAP/%	最高精度/%
CODT	92.80	97.50
DCGAN+CODT	93.45	98.90
改进DCGAN+CODT	96.35	99.32

算法	准确率 P/%	召回率 R/%	平均精度mAP50/%	检测速度/FPS
Yolov11s	94.10	90.28	96.21	30
Yolov11m	95.52	93.79	97.38	24
Yolov8s	93.58	88.53	95.45	28
Yolov11-Codattention	96.35	97.58	99.12	40
SINET	95.32	95.23	97.78	15
PFA	95.54	95.78	98.34	12
FASTER R-CNN	92.23	86.34	94.78	5
DETR	95.98	97.23	98.89	20

算法	准确率P/%	召回率R/%	平均精度mAP50/%	检测速度/FPS
Yolov11s	94.10	90.28	96.21	30
SC-DSCONV	95.23	92.28	97.72	45
RFV2	94.84	94.59	97.53	25
本文算法	96.35	97.58	99.12	40

基于空天无人平台信息的伪装目标智能检测

Intelligent camouflaged target detection based on information of aerospace unmanned platforms

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郎荣玲, 魏才伦, 范亚, 高飞. 基于稀疏点匹配的协同式未知目标跟踪方法[J]. 航空学报, 2026, 47(3): 632425-632425.
[2]	仝照亚, 刘刚, 霍元智, 樊肖亮, 吕书贤. 基于图卷积网络的红外目标检测算法[J]. 航空学报, 2026, 47(12): 332886-332886.
[3]	周雷, 谷延锋, 刘天竹. 遥感图像飞机细粒度目标检测算法[J]. 航空学报, 2026, 47(10): 632578-632578.
[4]	刘文林, 胡锡坤, 钟平. 强化学习驱动的退化遥感图像目标检测方法[J]. 航空学报, 2026, 47(10): 532861-532861.
[5]	支元杰, 葛欣, 张帆, 杨知, 马明阳, 梅少辉. 一种基于混合专家组的多模态航天遥感图像统一检测模型[J]. 航空学报, 2026, 47(10): 532864-532864.
[6]	杨子沣, 徐夏, 潘斌. 基于共享骨干的快速双分支拼接同步检测框架[J]. 航空学报, 2026, 47(10): 532876-532876.
[7]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[8]	成桢灏, 杨小冈, 卢瑞涛, 张涛, 王思宇. 基于多阶段蒸馏的无人机图像时敏目标增量检测算法[J]. 航空学报, 2025, 46(24): 331959-331959.
[9]	黄维, 潘家皓, 何楚. 小波时频局部化无人机目标检测模型压缩研究[J]. 航空学报, 2025, 46(23): 631952-631952.
[10]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[11]	唐彬, 杨小冈, 卢瑞涛, 张震宇, 宿爽. 基于图像翻译的飞行器红外/卫星异源快速匹配定位方法[J]. 航空学报, 2025, 46(23): 631961-631961.
[12]	刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968-631968.
[13]	刘奇, 裴智翔, 惠乐, 何明一, 戴玉超. 基于双分支特征聚合的无人机视觉位置识别[J]. 航空学报, 2025, 46(23): 632457-632457.
[14]	彭勃, 白吉康, 陈伟文, 郑向涛, 雷建军, 卢孝强. 基于深度学习的无人机搜救方法研究进展[J]. 航空学报, 2025, 46(23): 632761-632761.
[15]	钟帅, 王丽萍. MCS-RETR：改进RT-DETR的无人机航拍图像目标检测方法[J]. 航空学报, 2025, 46(22): 331987-331987.