感知類AI常用于目標(biāo)的探測、識別與定位，感知類AI目前常常采用人工智能技術(shù)，深度學(xué)習(xí)技術(shù)是AI采用的必備技術(shù)手段。目前人工智能深度學(xué)習(xí)技術(shù)嚴(yán)重依賴數(shù)據(jù)。

    數(shù)據(jù)是深度學(xué)習(xí)的血液，數(shù)據(jù)用來進(jìn)行標(biāo)注，進(jìn)而產(chǎn)生樣本數(shù)據(jù)，是深度學(xué)習(xí)訓(xùn)練系統(tǒng)的重要資源基礎(chǔ)。數(shù)據(jù)越多、越全面，深度學(xué)習(xí)效果越好，然而圖像類軍事數(shù)據(jù)的匱乏，數(shù)據(jù)制作成本高、驗(yàn)證困難同樣成為人工智能融入軍事應(yīng)用的發(fā)展瓶頸。

傳統(tǒng)的圖像類數(shù)據(jù)集制作方法是采用照相、錄像等手段對現(xiàn)實(shí)世界研究對象進(jìn)行大量采集，形成數(shù)據(jù)集，之后進(jìn)行標(biāo)注處理。這種方法往往可能存在如下問題：

A. 過擬合。這是由于數(shù)據(jù)量太少的原因造成的，數(shù)據(jù)量太少的限制造成無法訓(xùn)練一種算法；由于各種限制條件往往無法獲取到足夠的樣本數(shù)據(jù)。

B. 訓(xùn)練數(shù)據(jù)集不平衡。主要是數(shù)據(jù)缺乏多樣性造成的；

C. 觀測位置：不同的視角難以找到同一個場景圖像，目前數(shù)據(jù)采集的手段對于軍事目標(biāo)，是不可能獲取全面觀測位置的目標(biāo)圖像的；

D. 多傳感器問題：幾乎不可能從EO/IR和RF傳感器中找到相同的場景/時間/方向的真實(shí)圖像;；

E. 圖像標(biāo)記：大量手工標(biāo)記；

F. 可重復(fù)性低：蒙特卡洛支持性弱；

   

        基于以上痛點(diǎn)，面向智能體感知系統(tǒng)，提出軍事圖像數(shù)據(jù)生成解決方案，本方案采用虛擬三維目標(biāo)，虛擬場景，紅外場景仿真軟件（傳感器仿真軟件），基于LVC架構(gòu)，可以動態(tài)產(chǎn)生豐富的軍事目標(biāo)圖像數(shù)據(jù)、行為數(shù)據(jù)?？梢詮V泛的應(yīng)用到人工智能輔助決策、目標(biāo)自動識別等領(lǐng)域的AI初訓(xùn)階段，形成初步權(quán)重，之后結(jié)合實(shí)際數(shù)據(jù)進(jìn)行遷移細(xì)訓(xùn)，可以大大加速訓(xùn)練過程，提高人工智能應(yīng)用的開發(fā)效率。

    

智能體感知系統(tǒng)訓(xùn)練數(shù)據(jù)集生成解決方案特點(diǎn)：

        A，無限制的背景類型。通過虛擬建模手段，理論上可以模擬地球上任何地理特征區(qū)域。

    B，無限制的目標(biāo)模型。通過三維目標(biāo)建模手段，可以模擬任何實(shí)體目標(biāo)（需要實(shí)體目標(biāo)數(shù)據(jù)支持）。

    C，各種環(huán)境變量。合成環(huán)境中考慮到了季節(jié)、時間、雨、雪、風(fēng)、霧、溫度、濕度變化因素及其對成像的量化影響。

    D，多光譜傳感器。同一個場景目標(biāo)，可以獲取可見光、長波紅外、中波紅外、NVG多個波段的感器圖像；

    E，任意觀察視角。同一個目標(biāo)圖像具備多個觀察角度。

    F，任何平臺載荷的影響。例如飛機(jī)、旋翼機(jī)、戰(zhàn)車、輪船等各種實(shí)體平臺，多種平臺載體下傳感器的圖像。

 目標(biāo)模型庫：