《基于深度学习模型的图像军事目标检测》

本文阐述了一种基于无人机（UAV）摄像头获取的图像，实现军事目标自动检测与分类的方法。该方法基于一种多级深度学习模型架构，包含 YOLOv11 和 Faster R-CNN 模型。研究框架内实现了三个分类层级：(1) 初始检测“人类”和“军事装备”类型的物体，(2) 按类别（坦克、步兵战车、其他）对军事装备进行详细分类，(3) 细化“其他”类别，将其划分为多管火箭炮系统（MLRS）、卡车等。对所提方法的实验研究包括对 5000 张图像和 20 小时视频材料的分析。获得的结果证明了所提系统的有效性：所有分类层级的精确率（Precision）、召回率（Recall）和 F1 分数（F1-score）指标均超过 91%。此外，图像处理速度使得该方法可实时应用。为评估所提方法的优势，与现有先进解决方案进行了比较，结果证实了所提方法的竞争力。所提方法可用于自动监控系统、作战分析和实时态势评估，提供高水平的准确性和速度。

人工智能（AI）在现代军事技术中得到了积极应用。深度学习模型应用前景广阔的任务之一是检测和识别军事目标（潜在目标）。在使用无人机（UAV）进行监视、侦察、瞄准和实施打击的情况下，上述任务变得最为复杂。这是因为在检测和识别潜在目标时，需要实时处理大量视觉信息，这是一项复杂的计算任务。同时，利用无人机进行航拍图像的目标识别是最重要的任务之一，因为它能够在获取的图像中识别和分类感兴趣的目标（潜在目标），这在军事行动过程中可能起到至关重要的作用 [1]。如今，现有的视频图像目标搜索和识别系统通常根据以下参数进行评估 [2]：

1、识别准确性——系统必须提供稳定的目标检测和分类；

2、处理速度——系统必须在特定计算设备资源有限的条件下实时执行任务。

值得注意的是，并非所有现有方法在给定参数下都是有效的。因此，当前的任务是开发改进现有系统的方法或提出新的系统来解决目标检测和识别问题。本研究的贡献在于提出了基于航拍图像的军事目标检测与分类方法，该方法本质上采用了一种顺序的目标分类方法，这与现有解决方案不同。该方法在计算资源有限的条件下提高了目标分类的准确性。文章结构如下。“相关工作”部分分析了关于研究主题（即使用深度学习从图像中检测军事目标）的最新出版物。“材料与方法”部分提出了一种用于军事目标的顺序分类方法。“结果与讨论”部分展示了证实该方法有效性的实验结果，并将其与现有解决方案进行了比较。