引言
随着无人机技术的快速发展，无人机在军用和民用领域的应用日益广泛，同时也带来了新的安全威胁[1-2]。准确识别和分类无人机目标对于空域安全管理、反无人机系统和智能监控具有重要意义。然而，无人机目标具有尺寸小、形状多样、飞行姿态变化大等特点，传统的目标识别方法难以满足实际应用需求[3-4]。
近年来，深度学习技术在计算机视觉领域取得了突破性进展[5-6]。卷积神经网络（CNN）通过层次化特征学习，在目标检测和识别任务中展现出优异性能[7-8]。然而，单纯的CNN网络在处理多尺度目标和复杂背景时仍存在局限性。注意力机制的引入为解决这一问题提供了新思路，通过自适应调整特征权重，增强网络对关键信息的关注度[9-10]。
多尺度特征融合是提升目标识别性能的重要技术手段[11-12]。通过融合不同层次的特征信息，可以更好地捕获目标的细节特征和全局语义信息。特征金字塔网络（FPN）[13]和路径聚合网络（PANet）[14]等方法在多尺度目标检测中取得了显著效果。
本文针对无人机目标识别的技术难点，提出一种基于自适应神经网络与多尺度特征融合的识别算法。主要贡献包括：（1）设计了改进的卷积神经网络架构，增强了小目标特征提取能力；（2）引入通道-空间双重注意力机制，自适应调整特征权重；（3）提出多尺度特征融合策略，提升目标表征的判别性；（4）在多种场景下验证了算法的有效性和鲁棒性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007035
作者信息：
刘方，陈文瑞，沙峥瑜
（中国船舶集团有限公司第七二三研究所，江苏 扬州 225101）
