汪 能,胡君红,刘瑞康,范良辰

(华中师范大学 物理科学与技术学院,武汉 430079)

1 引言

目标检测技术是计算机视觉领域的重要研究内容和应用领域[1].在行人检测[2]、车辆检测[3]和遥感图像检测[4]等诸多应用场景中,目标检测技术扮演着非常重要的作用.目前目标检测算法对大目标的检测效果显著优于小目标,然而实际场景目标尺寸差异很大,针对小目标的目标检测技术的研究一直是计算机视觉领域的研究热点和难点[1].近年基于深度神经网络的目标检测算法的研究取得了较大的进展,但由于深度神经网络主要依赖深层特征进行目标检测,而对浅层特征利用不足,因此对小目标的检测有很大的困难.本文主要研究提升浅层特征的利用效率的方法,以此提升网络对小目标的检测性能.

深度学习目标检测框架大多是通用目标检测框架,并没有针对小目标进行优化设计,所以对小目标的检测效果并不理想.为解决小目标检测问题,近年有学者提出了不同的优化方案.Chen 等[5]在2016年提出了针对小目标的多区域语义信息目标检测器来优化对小目标的检测性能.Sommer 等[6]在2017年提出了一种由4 个卷积层和3 个全连接层构成的浅网络检测模型,对航空图像中的小目标进行检测.Li 等[7]在2017年提出将生成对抗网络应用于图像识别领域,通过挖掘不同尺度物体间的结构关联,提高小物体的特征表示,使之与大物体类似,帮助小目标检测接近大目标检……