ST1.0：无人机视角下坦克目标检测仿真数据集
Abstract
目的随着计算机仿真技术的迭代演进，仿真图像数据正逐步成为许多数据稀缺领域的有效替代资源。但在实战图像样本更为匮乏的军事目标检测任务中，基于仿真数据及其融合策略训练的检测模型能否在真实战场中实现有效泛化，仍缺乏实证支撑。为此，制作了包含不同仿真域数据、作战场景和坦克型号的无人机视角坦克目标检测仿真数据集（synthetic tank， ST）1.0版本，包括ST1、ST2和ST3三个子数据集。方法通过构建仿真数据与实战场景检验框架，基于不同仿真数据分别训练 Cascade R-CNN（cascade region-based convolutional neural network）、YOLOv10（you only look once version 10）和 RT-DETR（real-time detection Transformer） 3类异构检测器后，在公开数据集与俄乌实战图像中展开跨域测试。系统探究了仿真域差异性（实验1）、混合仿真域组合效应（实验2）及数据增广策略（实验3）对模型泛化性能的影响。结果实验中所有模型的平均精度（average precision， AP）均值均随测试数据趋近真实作战场景呈下降趋势，其中 RT-DETR 模型在跨域检测中具有更强鲁棒性，在两个测试集上的AP最高达到 54.50% 与 42.30%；具备视觉真实性、目标域属性适配且可视化特征分布相近的仿真数据表现更佳；混合或增广优质仿真数据可显著提升模型性能。结论仿真图像数据能在一定程度上缓解实战图像数据稀缺问题，为武器平台的实战运用提供支持。但仍存在跨域泛化局限性，需结合其他源域及域泛化技术等进一步提升。
Fields of Study & Subjects
Advanced Neural Network Applications
Domain Adaptation and Few-Shot Learning
Simulation and Modeling Applications
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 2
- Pages
- 433–447
- Publication date
- 1 January 2026
- Language
- EN