• 한국군사과학기술학회지
• /
• 제27권6호
• /
• pp.665-676
• /
• 2024

Infrared imaging is a powerful non-destructive and non-invasive technique to detect infrared radiations and capture valuable insights inaccessible through the visible spectrum. It has been widely used in the military for reconnaissance, hazard detection, night vision, guidance systems, and countermeasures. There is a huge potential for machine learning models to improve trivial infrared imaging tasks in military applications. One major roadblock is the scarcity and control over infrared imaging datasets related to military applications. One possible solution is to use synthetic infrared images to train machine learning networks. However, synthetic IR images present a domain gap and produce weak learning models that do not generalize well. We investigate adversarial networks and Explainable AI(XAI) techniques to refine synthetic infrared imaging data, enhance their realism, and synthesize refiner networks with XAI. We use a U-Net-based refiner network to refine synthetic infrared data and a PatchGAN discriminator to distinguish between the refined and real IR images. Grad-CAM XAI technique is used for network synthesis. We also analyzed the frequency domain patterns and power spectra of real and synthetic infrared images to find key attributes to distinguish real from synthetic. We tested our refined images on the realism benchmarks using frequency domain analysis.

• 전자공학회논문지
• /
• 제52권11호
• /
• pp.115-123
• /
• 2015

적외선 영상은 외광의 밝기에 영향을 적게 받아서 원격 탐사 및 영상 보안 등의 응용에서 활발하게 활용되고 있다. 그러나 안개와 같은 기상 악화상황으로 인하여 해당 적외선 영상의 화질이 크게 저하되는 경우가 빈번하게 발생한다. 칼라 영상의 안개제거 기술이 다양하게 연구되어온 반면 적외선 영상의 안개제거 기술은 상대적으로 관심을 받지 못하고 있다. 본 논문에서는 근적외선 대역 영상에 대하여 적외선 영상의 통계학적 특징을 이용한 안개 제거 알고리즘을 제안한다. 기계학습 기법을 활용하여 전달량을 보정하고 다중 후처리 기법을 적용하여 정확한 전달량을 구하였다. 제안 기술을 이용하여 복원한 적외선 영상이 기존 칼라영상에 기반한 알고리즘을 적외선 영상에 적용하여 얻은 결과보다 화질이 좋다는 것을 확인하였다.