面向小目标的多尺度Faster-RCNN检测算法

摘要：

小目标是指图像中覆盖区域较小的一类目标.与常规目标相比,小目标信息量少,训练数据难以标记,这导致通用的目标检测方法对小目标的检测效果不好,而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上,提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network,Faster-RCNN)检测算法.根据卷积神经网络的特性,修改了Faster-RCNN的网络结构,使网络可以同时使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测任务的精度.同时,针对训练数据难以标记的问题,使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同,又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化,使训练图像和测试图像的特征分布更类似.实验结果表明:所提出的方法在小目标检测任务上的平均精度均值(mean average precision,mAP)可以比原始的Faster-RCNN提高约5％.

关键词：小目标检测、Faster-RCNN算法、多尺度检测、采样、深度学习

所属期刊栏目：56

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金项目61432008,61673203

在线出版日期：2019-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：319-327