自动目标识别（ATR）是人工智能和机器学习领域许多最新进展中最重要的潜在军事应用之一。使用机器学习创建成功的ATR系统的一个关键障碍是收集高质量的标记数据集。作者研究了是否可以通过在由高分辨率、逼真的人工图像组成的数据集上训练目标检测算法来避开这一障碍。作者生成了大量高机动性多用途轮式车辆（HMMWV）的人工图像，并研究了基于这些图像训练的模型是否可以用于成功识别HMMWV的真实图像。作者得到了一个明显的负面结果：在人工图像上训练的模型在真实图像上表现非常差。然而，他们发现，使用人工图像来补充现有的真实图像数据集，可以始终如一地提高性能。有趣的是，当只有少量的真实图像可用时，改进是最大的。作者提出了一种在训练数据匮乏的情况下提高ATR系统性能的新方法。包括美国政府和军方在内的许多组织现在都对使用合成或模拟数据来改进各种任务的机器学习模型感兴趣。主要动机之一是，在冲突时期，可能需要在以前未加密的环境或背景下快速创建对手军事资产的标记数据集