用深度学习方法识别伪装军事人员 DFAN和SINETV2
Ali Haider1, Ghulam Muhammad1, Talha Ahmed Khan2
1School of Engineering and Applied Sciences, Bahria University Karachi Campus, Karachi, Pakistan.
Scientific reports
|September 27, 2025
概括
检测伪装的物体是一个挑战. 动态特征聚合网络 (DFAN) 在识别伪装士兵方面表现出色,在准确性和减少错误方面表现优于其他模型.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 军事技术 军事技术
背景情况:
- 由于物体模仿其环境,伪装物体的检测很困难.
- 将伪装目标与背景区分开来是一个重大挑战.
研究的目的:
- 开发使用卷积神经网络在军事环境中检测伪装目标的先进方法.
- 引入一个新的数据集和一个新的网络架构,以改进伪装检测.
主要方法:
- 开发MSC1K数据集,其中包含1000张伪装人员的注释图像.
- 引入使用多级特征融合的动态特征聚合网络 (DFAN).
- 在各种数据集上对DFAN与SINet,SINet-V2和ZoomNet进行比较分析.
主要成果:
- DFAN和SINet-V2以最小的误差证明了最高的准确性.
- 在所有测试设置中,DFAN 实现了最低的平均绝对误差 (MAE) 值.
- SINet显示出最高的错误率,表示它是最不可靠的模型.
结论:
- DFAN是伪装士兵检测的高性能模型,提供卓越的精度回忆平衡和结构相似性.
- 该MSC1K数据集支持超越伪装检测的更广泛的计算机视觉任务.
- 对比分析提供了对模型稳定性和适应不同数据集的洞察力.
更多相关视频
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.5K
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
3.2K
