感知类AI常用于目标的探测、识别与定位，感知类AI目前常常采用人工智能技术，深度学习技术是AI采用的必备技术手段。目前人工智能深度学习技术严重依赖数据。
数据是深度学习的血液，数据用来进行标注，进而产生样本数据，是深度学习训练系统的重要资源基础。数据越多、越全面，深度学习效果越好，然而图像类军事数据的匮乏，数据制作成本高、验证困难同样成为人工智能融入军事应用的发展瓶颈。
传统的图像类数据集制作方法是采用照相、录像等手段对现实世界研究对象进行大量采集，形成数据集，之后进行标注处理。这种方法往往可能存在如下问题：
A. 过拟合。这是由于数据量太少的原因造成的，数据量太少的限制造成无法训练一种算法；由于各种限制条件往往无法获取到足够的样本数据。
B. 训练数据集不平衡。主要是数据缺乏多样性造成的；
C. 观测位置：不同的视角难以找到同一个场景图像，目前数据采集的手段对于军事目标，是不可能获取全面观测位置的目标图像的；
D. 多传感器问题：几乎不可能从EO/IR和RF传感器中找到相同的场景/时间/方向的真实图像;；
E. 图像标记：大量手工标记；
F. 可重复性低：蒙特卡洛支持性弱；
基于以上痛点，面向智能体感知系统，提出军事图像数据生成解决方案，本方案采用虚拟三维目标，虚拟场景，红外场景仿真软件（传感器仿真软件），基于LVC架构，可以动态产生丰富的军事目标图像数据、行为数据。可以广泛的应用到人工智能辅助决策、目标自动识别等领域的AI初训阶段，形成初步权重，之后结合实际数据进行迁移细训，可以大大加速训练过程，提高人工智能应用的开发效率。
智能体感知系统训练数据集生成解决方案特点：
A，无限制的背景类型。通过虚拟建模手段，理论上可以模拟地球上任何地理特征区域。
B，无限制的目标模型。通过三维目标建模手段，可以模拟任何实体目标（需要实体目标数据支持）。
C，各种环境变量。合成环境中考虑到了季节、时间、雨、雪、风、雾、温度、湿度变化因素及其对成像的量化影响。
D，多光谱传感器。同一个场景目标，可以获取可见光、长波红外、中波红外、NVG多个波段的感器图像；
E，任意观察视角。同一个目标图像具备多个观察角度。
F，任何平台载荷的影响。例如飞机、旋翼机、战车、轮船等各种实体平台，多种平台载体下传感器的图像。
目标模型库：
