多域作战中的目标探测
人工智能是计算机科学的一个广泛领域，重点是构建人工智能系统，以执行某些通常需要人类才能完成的任务，这些任务包括决策、问题解决、语言理解以及模式或目标识别。人工智能模型旨在通过将数据应用于卷积神经网络（CNN）的方式来实现模拟的人类认知功能。数据质量提升和卷积神经网络的优化是推进人工智能模型发展的两个最重要因素。机器学习（ML）技术是人工智能领域的一个分支，可用于实现特定的重复性功能。机器学习系统可以根据输入数据，调整卷积神经网络内的神经连接，从而在没有人工干预的情况下，通过迭代训练周期不断优化卷积神经网络的性能。目前，在多域作战中，机器学习技术最广泛地应用于目标探测（如图1所示）。在人工智能领域，目标探测模型是最容易训练和部署的，这使其十分适合多域作战。美军正在进行的“马文”（Maven）项目就将目标探测算法用于识别ISR视频和图像中的目标。然而，建立目标探测模型的挑战在于，此类模型的卷积神经网络需要高质量数据进行训练以优化其性能。
收集高质量的数据并非易事，但其对于机器学习模型的训练来说可能是至关重要的。训练所用数据的质量将直接影响目标探测模型的性能。若想在多域作战中部署目标探测模型，并使其接受有关作战环境中敌方新式装备、战术、技术和流程的训练，那么数据收集将是作战人员面临的首要难题。敌方部队可能会使用各种技术，以欺骗应用于多域作战的目标探测模型。在一场快速发展的战争中，作战人员需进行数据收集、数据整理和数据共享工作，以使机器学习模型保持针对敌方新式装备、战术、技术和流程的敏锐度，但这可能很难实现。敌方装备在不同角度和光照条件下可能会有不同的表现，并展现出不同的特性，作战人员可能很难收集到针对敌方装备的准确且完善的信息。此外，由于边缘对比度降低、热交叉（thermal crossover）、图像劣化（image deterioration）等原因，空基目标探测模型的训练比陆基模型更具挑战性。一旦建立了敌方装备数据集，部队就可以根据任务要求建立目标探测模型。例如，在大规模作战行动中，部队可以部署一个经过高价值目标数据集训练的定制目标检测模型。
在经过训练后，目标探测模型可应用于被称为“前沿设备”的小型电脑之上，该设备尺寸小巧，成本低廉，且能够轻松与无人系统的地面站建立联系，为现存的无人平台提供机载设备以外的人工智能能力。在多域进攻行动和防御行动中部署目标探测算法可能会使作战人员受益良多，这些算法能够在极少人工参与的情况下，快速、稳定地处理大量视频和图像片段。例如，一个师级单位的分析和控制部门可以使用带有目标探测模型的前沿设备来分析多个ISR视频反馈，这些模型在经过一系列定制训练后，可用于分析前线收集的视频和图像。然而，多域作战中的目标探测工作面临的最大挑战是如何为成百上千个前沿设备提供更新，这一更新工作需要将由图像和标签组成的数据集传输到整个作战环境中的各单位，以使其能够根据敌方的新式装备、战术、技术和流程来进行模型训练。传输这些大型数据集需要大量的带宽和时间，而在面对对等对手的情况下，这可能很难实现。
目标探测模型也可根据光谱特征对目标进行识别，所涉及的光谱包括近红外（NIR）以及长波红外（LWIR）。选择合适的传感器类型，以通过地面或空中侦察系统进行目标探测，这对于目标探测模型的应用至关重要。图2的D/E/F部分展示了计算机视觉模型对目标物体轮廓的识别结果。目标探测算法会对其自身进行训练，以实现对目标独特的外部和内部轮廓的探测，从而准确探测和识别重要目标。
在能见度有限的情况下，长波红外传感器是目标探测的最佳选择。图3中，长波红外目标探测模型识别出了一个作战人员，而近红外传感器却未能识别出该目标。同一前沿设备上的独立机器学习模型还可以与多种传感器进行融合，创建具备更高适应性的目标探测模型，以在复杂的照明条件下继续执行任务。
例如，在日出前一小时和日落后一小时中，作战人员可将小型无人机系统的可见光相机和近红外相机进行融合，以创建目标物体的复合轮廓，从而提高目标探测能力。先前的研究发现，采用机器学习模型进行自适应传感器融合可有效提高目标探测能力。