基于图像转换的可见光-SWIR跨模态船舶检测数据生成方法研究

为解决短波红外(SWIR)船舶检测数据匮乏问题，山东大学团队创新性提出可见光-SWIR图像转换框架，通过多级约束损失函数生成高质量合成SWIR图像，实验证明该方法可有效提升海洋目标检测性能，为红外成像在海事监管中的应用提供新范式。

　　

海洋运输承载着全球80%以上的贸易量，随着船舶数量激增，海上交通安全监管面临严峻挑战。短波红外(SWIR)成像凭借其穿透雾霾、全天候监测等优势，在船舶检测领域展现出巨大潜力。然而，深度学习模型依赖大规模标注数据的特性与SWIR图像标注成本高昂的现实形成尖锐矛盾，这一"数据荒"问题严重制约了SWIR技术在海事监管中的应用。

针对这一关键瓶颈，山东大学光学工程学院的研究团队在《Neurocomputing》发表创新研究成果，提出名为"可见光-SWIR图像转换框架"的解决方案。该研究首次实现将丰富标注的可见光船舶数据集(VIS)转化为合成SWIR数据，通过构建包含对抗损失、像素级损失、块级损失和感知损失的多级约束系统，成功生成符合人类视觉感知的高质量合成图像。实验表明，基于合成数据训练的检测模型在真实SWIR图像上表现出优异性能，为突破红外船舶检测的数据壁垒提供了全新思路。

关键技术方法包括：1)采用双生成器-判别器结构的对抗生成网络(GAN)框架；2)设计包含像素级L1损失、块级特征匹配损失和VGG网络感知损失的多层次优化目标；3)使用新加坡海事数据集(SMD)和山东大学红外船舶数据集(SDU-IRSD)进行跨域验证。

研究结果部分显示：
《Marine ship detection》章节系统分析了SWIR成像在穿透性、动态范围等方面的技术优势，指出传统手工特征方法的局限性。
《The Framework》详细阐述了生成器G_VIS→SWIR和判别器D_SWIR的对抗训练机制，通过循环一致性损失(CycleGAN)保持图像内容一致性。
《Datasets and Setup》验证了该方法在SMD和SDU-IRSD数据集上的泛化能力，合成图像在结构相似性(SSIM)指标上提升12.7%。

研究结论指出，该工作首次实现了可见光到SWIR图像的跨模态转换，创造性地将大量现成的可见光标注数据转化为SWIR域可用资源。这不仅解决了红外船舶检测领域的数据短缺难题，更为多光谱图像生成提供了普适性技术框架。值得注意的是，该方法可扩展至太赫兹(THz)、紫外(UV)等其他波段，为特殊环境下的光电感知任务开辟了新途径。作者Liqian Wang在致谢部分透露，该成果已应用于山东省重点研发计划支持的智能海事监测系统，展现出良好的工程应用前景。