基于深度学习的自适应数字伪装图案生成技术
摘要
传统数字伪装技术通常仅针对背景颜色特征分布进行设计，缺乏对目标边缘特征的精准感知，导致伪装目标与背景环境的轮廓明显，融合效果不佳。为解决上述问题，提出一种基于深度学习的自适应数字伪装生成方法。该方法结合YOLOv8（You Only Look Once version 8）目标检测算法与傅里叶卷积驱动的图像修复算法，构建了从目标感知到数字伪装生成的闭环流程。针对小样本场景下目标检测精度受限的问题，所提方法在YOLOv8模型训练中引入多层次数据增强策略，通过颜色变换、遮盖变换和裁剪拼接等方法来有效扩展样本的多样性，显著提升目标检测的精度。在数字伪装生成阶段，采用基于傅里叶卷积的特征提取网络，通过频域-空间域联合分析方法捕获伪装目标周边环境的色彩分布、纹理特征及语义信息，同时对网络中的掩模尺寸进行改进，提升边缘感知能力，从而生成与背景环境融合度较高的伪装图像。实验结果表明，与传统伪装方法相比，所提方法在生成的伪装图像上表现出更优的客观评价指标。具体而言，结构相似性指数平均提高了0.028，峰值信噪比提高了0.14 dB，均方误差降低了1.14，充分验证了所提出方法在自适应数字伪装图像生成任务中的有效性。
引用本文（GB/T 7714）
张铁华 Zhang Tiehua, 韩冰 Han Bing, 廉盟 Lian Meng, 等. 基于深度学习的自适应数字伪装图案生成技术[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。