基于生成式对抗网络的目标扰动场实时解译与识别
Abstract
通过解译目标高速机动引发的大气环境扰动场，可以实现对高速目标的间接探测识别。然而，传统的目标扰动场解译算法存在特征提取难、处理时间长以及泛化能力差等局限。为此，提出了一种基于生成式对抗网络的实时目标扰动场解译算法FlowReconNet（flow field reconstruction network），同时对目标扰动场进行识别。所提算法首先通过生成器生成目标扰动场的解译图及分类结果；然后判别器验证其真实性，并与辅助增强器的参考特征向量进行比较；最后通过多值联合损失函数优化生成器。消融实验显示，所设计的生成式网络可有效提升目标扰动场的解译重建准确性。在超音速目标的多分辨率仿真扰动场图像中的实验结果表明：FlowReconNet在GPU环境下以67.33帧/s的速度解译 512\times 512 像素的目标扰动场图像，解译效果与传统算法相当，速度提升约33倍，平均峰值信噪比（peak signal-to-noise ratio，PSNR）为29.948 dB，分类准确率达96.701%。
Fields of Study & Subjects
Generative Adversarial Networks and Image Synthesis
Model Reduction and Neural Networks
Advanced Neural Network Applications
Publication details
- Journal / source
- Journal of Applied Optics
- Volume
- 47
- Issue
- 1
- Pages
- 115–129
- Publication date
- 1 January 2026
- Language
- EN