Weak feature enhancement is an important and intractable issue in machine vision fields. In this paper, an effective complex-scene inverse synthetic aperture radar (ISAR) image feature enhancement method is proposed based on spatial neighborhood sparse constraint hybrid clustering oversegmentation (SNSC-HCOS). A hybrid superpixel concept is first developed considering the consistency of pixel labels and the discrimination of perturbations. The scattering characteristic similarity, spatial proximity, neighborhood information, sparsity bias, and overall image features are simultaneously explored. The SNSC-HCOS algorithm is designed based on the hybrid superpixel concept, data reconstruction, and fuzzy c-means (FCM) clustering. Both sparsity constraints and local spatial information constraints are embedded into the oversegmentation framework, improving the perturbation defense capability and clustering robustness. To correct misclassified pixel membership and improve system efficiency, median membership filtering and area merging strategies are further applied. Extensive qualitative and quantitative experiments are conducted on a real-scene dataset, demonstrating that SNSC-HCOS greatly outperforms the outstanding comparison systems. The proposed system has good segmentation performance, can generate more pure superpixels with regular shapes and uniform sizes, and has perturbation defense and feature enhancement capabilities.

Object detection and tracking are critical and fundamental problems in machine vision task. In this paper, an object detection and tracking method is proposed based on deep feature distillation. Particularly, an adaptive unsupervised Teacher-Student unified framework is developed. The Teacher module is performed by an expandable generative adversarial network mixture model. And knowledge discrepancy ranking (KDR) is designed to optimize Teacher resource allocation with the historical underlying knowledge. The Student module is developed based on a lightweight probabilistic generative model. And an unsupervised learning scheme is presented based on Gumbel-Soft sampling optimization to train jointly. A series of experiments are performed on authoritative dataset, demonstrating that the proposed method outperforms the state-of-the-art comparison methods.