train: ./data/VOC2007/train.txt # 16551 images val: ./data/VOC2007/test.txt # 4952 images # number of classes nc: 1 # class names names: ['air']

单帧红外小目标数据集SIRIST

基于自适应形态学Top_Hat滤波器的红外弱小目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题，提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域，并对原图相应的目标位置进行标记和归一化处理，提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别，将提取的候选区域送入改进的AlexNet进行特征提取和预测，得到最终检测结果。分水岭方法可大大减少候选区域检测时间，以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据，并对其平移缩放形成的数据集进行仿真实验。结果表明，标记分水岭与深度CNN的结合，可有效识别船只目标，所提方法具有良好的性能，能够更加快速准确地识别红外船只目标。

摘要:针对传统基于人类视觉系统的检测方法在复杂背景下容易造成检测虚警的问题,提出一种基于双层局部对比度的红外弱小目标检测方法.首先,通过双层对角灰度差对比度分析

本文分别从提高红外图像对比度、抑制噪声、增强红外图像彩色对比度这三 个角度研究了红外弱小目标图像的增强方法。文章介绍了红外图像增强的基本概 念和图像增强的效果评价，究了红外图像的成像机理和特点。首先分析了红外弱小目标图像噪声成因和目标成像特点，在抑制噪声方面重点分析比较了平滑滤波和中值滤波的优缺点，然后分析和研究了常用的基于直方图的方法、灰度变换、空间滤波以及基于数学形态学的弱小目标图像增强算法。最后本文研究了红外弱小目标图像的伪彩色增强，实验结果表明增强后的图像改善了视觉效果，提高了对比度。

摘 要 ： 针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。 该算法首先利用分 割 算法提取红外图像中的连通区域,并对原图相应的位 置进行标记和归一 化处理 ,然后利 用HOG 特 征提 取 标记 区域 的 高维特 征 向量 ，用线 下样 本库 训 练得 到 的 SV M 分 类器 对所提 取 的 HOG 特 征 进行 高维特征 空间的分类 ，识别 目标和干扰。 仿真实验表明 ，该算法具有 良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标 。

这是对2014 IEEE trans on GRS上的经典论文LCM的实现，还没有对代码进行优化，能完成任务，但效率不太高。

复杂背景中小目标的检测与跟踪一直是监视和告警系统的重要组成部分, 综合该领域近年来的研究成果, 从空间滤波和时间滤波的角度对现有的红外小目标检测方法进行了简单的概述, 并分析了今后的研究方向。

MDvsFA_cGAN数据集，含有一万张训练图片。另外含有测试图片