论文摘要
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%.
论文目录
文章来源
类型: 期刊论文
作者: 黄继鹏,史颖欢,高阳
关键词: 小目标检测,算法,多尺度检测,采样,深度学习
来源: 计算机研究与发展 2019年02期
年度: 2019
分类: 信息科技
专业: 计算机软件及计算机应用,自动化技术
单位: 计算机软件新技术国家重点实验室(南京大学)
基金: 国家自然科学基金项目(61432008,61673203)~~
分类号: TP391.41;TP183
页码: 319-327
总页数: 9
文件大小: 3940K
下载量: 1494