基于主动遗忘的持续学习回放方法RMAF：解决短波红外船舶检测中的数据稀缺问题

为解决短波红外(SWIR)船舶检测中标注数据稀缺的难题，研究人员创新性地提出可见光-SWIR图像转换框架，通过多级损失函数（像素/块/感知损失）生成高质量合成SWIR图像，显著提升深度学习模型性能，为跨光谱目标检测提供新范式。

　　

在海洋贸易量占全球80%以上的背景下，船舶检测技术对保障海上交通安全至关重要。然而短波红外(SWIR)成像虽具有穿透雾霾、全天候监测等优势，却因标注数据匮乏制约了深度学习技术的应用。面对这一挑战，山东大学光学工程专业的Liqian Wang及其团队在《Neurocomputing》发表研究，提出首个可见光至SWIR图像的跨谱转换框架，通过生成合成数据突破数据瓶颈。

研究采用图像到图像(image-to-image)范式，核心创新在于构建包含对抗损失、像素级损失、块级损失和感知损失的多级约束系统。通过新加坡海洋数据集(SMD)和山东大学红外船舶数据集(SDU-IRSD)的验证，该方法成功实现可见光与SWIR域的双向转换，并保留目标物体的关键语义特征。

关键技术包括：1) 对抗生成网络(GAN)框架设计，包含双向生成器(G_VIS→SWIR/G_SWIR→VIS)和判别器(D_SWIR/D_VIS)；2) 多级特征嵌入策略，通过像素级L1损失保持结构一致性，块级对比损失保留局部特征，VGG网络提取的感知损失确保高级语义对齐；3) 跨域循环一致性约束，实现身份映射与谱域转换的解耦。

主要研究发现：

1. 框架设计：双生成器架构有效解决非配对数据转换问题，多级损失使合成SWIR图像PSNR指标提升23.6%；
2. 特征保留：块级损失使目标船舶的结构相似性(SSIM)达0.89，显著优于传统CycleGAN方法；
3. 检测性能：基于合成数据训练的YOLOv5模型，在真实SWIR图像中检测mAP达到78.4%，接近使用真实标注数据的水平。

结论部分指出，该研究首次实现可见光到SWIR的跨谱船舶检测数据转换，其多级约束机制为其他谱段（如太赫兹、紫外）图像生成提供参考。通过规避繁琐的手工标注，该方法将SWIR数据集构建成本降低90%以上，为复杂气象条件下的海洋智能监测奠定基础。讨论中强调，未来可探索多模态数据融合，进一步提升合成图像在极端天气（如台风、沙尘）下的鲁棒性。