一、產品概述
戰場態勢偵察感知系統是為了解決復雜環境下目標判別能力不足、典型目標識別時效性難以保障、陸戰場綜合態勢要素偵查能力不足、作戰環境地物要素分類不精細等問題，以某司國防大模型為基礎，結合小樣本深度神經網絡學習的目標提取模型訓練、視覺智能（CV）算法、特征增強的典型目標提取技術和時空匹配融合服務技術，面向光學、SAR等多模態數據實現目標自動探測、精準識別及基于時空的動態綜合判讀，還提供人機交互式并行解譯；融入時空數字地球體系，結合NLP技術，提供人工智能驅動的目標檢測和情報內容生成能力。
系統具備實時監測動態軍事目標（如艦艇、飛機、車輛）的能力，提供戰場態勢感知和目標跟蹤能力。同時結合多模態數據，提升對偽裝目標和低可觀測目標的識別能力。
二、體系架構圖
三、技術特點
（一）多模態數據融合
融合光學、紅外、雷達（SAR）等多源遙感數據，利用不同模態的互補性（如光學的高分辨率、紅外的目標熱特性、雷達的全天候能力），提升目標探測的魯棒性和準確性。
通過特征級、決策級或像素級融合方法，提取多模態數據的深層關聯特征，增強對復雜背景和時敏目標的識別能力。
（二）時敏目標探測
時敏目標（如動態變化的軍事目標、突發事件、災害等）具有時效性強、變化快的特點，要求探測系統具備實時或近實時的處理能力。
結合時間序列分析和動態目標跟蹤算法，實現對時敏目標的持續監測和快速響應。
（三）智能算法驅動
利用深度學習（如卷積神經網絡CNN、Transformer）、目標檢測算法（YOLO、Faster R-CNN）和強化學習等技術，自動提取目標特征并優化識別模型。
通過遷移學習和小樣本學習技術，解決遙感數據標注不足的問題，提升模型在復雜場景下的泛化能力。
（四）小樣本與弱監督學習
針對遙感數據標注成本高的問題，采用半監督學習、自監督學習或元學習技術，利用少量標注數據訓練高性能模型。通過生成對抗網絡（GAN）合成模擬數據，擴充訓練樣本集。
四、系統組成
該系統由戰略戰場監視系統+智能輔助決策系統兩個重要產品組成，核心是構建真實世界映射的全域靈境數字空間，在此基礎上提供高度智能化的復雜場景自主認知推理能力，為國防單位提供輔助決策支持。同時具備廣域數據采集匯聚、多模態跨域數據融合、復雜場景推理、智能化增效等能力，打造大數據智能分析和應用平臺，為國防、政府、商業客戶提供產品及解決方案等服務。
（一）寰宇——戰略戰場監視
寰宇主要以數字地球技術為基礎，通過廣域數據采集，關聯融合全域信息（可引接內部信源），形成高價值全息孿生數據倉庫，構建真實世界映射的靈境數字空間，透過數據看現象，實現戰略戰場監視。
靈境寰宇已完成重要方向透明戰場構建，并以環境、目標、人物、態勢、事件、武器、資料等為核心，持續積累了**大類**子類**項數據，總數據量約***TB。
（二）韜略——智能輔助決策
基于國防領域大模型，面向真實世界多變的復雜場景，整合專家智慧、知識體系、智能算法，形成高度智能化自主學習認知推理能力。結合百種多專業領域多模態算法模型、跨模態知識圖譜、動態本體情境編排等智能化技術，為各級用戶提供智能助手、智能參謀、智能專家。透過現象看本質，實現輔助指揮決策。已具備智能助手水平，基于公有知識庫。
該子系統與用戶私有知識庫混合推理模式，具備對熱點事件、重點人物、條令條例、戰場環境以及多域態勢等智能檢索和深度分析能力；同時提供智能寫作助手功能，可基于用戶本地知識庫實現公文寫作。通過插件機制，有效拓寬大模型應用能力邊界。
