-
题名基于深度学习的小目标检测基准研究进展
被引量：9
- 1
-
-
作者
童康
吴一全
-
机构
南京航空航天大学电子信息工程学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第3期1016-1040,共25页
-
基金
国家自然科学基金(No.61573183)。
-
文摘
小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务,小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难,还有小目标检测基准,即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测,本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集,并从相对尺度和绝对尺度(目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根)对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外,从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时,在6个数据集上对典型评估指标(评估指标+目标定义、评估指标+单目标类别)下的代表性小目标检测算法进行性能的深入分析与比较,并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员,进一步促进小目标检测的发展.
-
关键词
小目标检测
深度学习
小目标评估指标
小目标数据集
小目标定义
小目标检测基准
-
Keywords
small object detection
deep learning
evaluation metric of small objects
small object dataset
the defini⁃tion of small objects
small object detection benchmark
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进PVANet的实时小目标检测方法
被引量：2
- 2
-
-
作者
段秉环
文鹏程
李鹏
-
机构
中国航空工业集团公司西安航空计算技术研究所
-
出处
《计算机应用研究》
CSCD
北大核心
2020年第2期593-597,共5页
-
基金
航空科学基金资助项目(2015ZC31005,2017ZC31008).
-
文摘
现有目标检测算法主要以图像中的大目标作为研究对象,针对小目标的研究比较少且存在检测精确度低、无法满足实时性要求的问题,基于此,提出一种基于深度学习目标检测框架PVANet的实时小目标检测方法。首先,构建一个专用于小目标检测的基准数据集,它包含的目标在一幅图像中的占比非常小且存在截断、遮挡等干扰,可以更好地评估小目标检测方法的优劣;其次,结合区域建议网络(RPN)提出一种生成高质量小目标候选框的方法以提高算法的检测精确度和速度;选用step和inv两种新的学习率策略以改善模型性能,进一步提升检测精确度。在构建的小目标数据集上,相比原PVANet算法平均检测精确度提高了10.67%,速度提升了约30%。实验结果表明,该方法是一个有效的小目标检测算法,达到了实时检测的效果。
-
关键词
小目标检测
小目标数据集
PVANet算法
区域建议网络
学习率策略
-
Keywords
small object detection
small object dataset
PVANet algorithm
region proposal network(RPN)
learning rate policy
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
