基于深度学习的小目标检测研究与应用综述OA北大核心CSCDCSTPCD
A Survey of Research and Application of Small Object Detection Based on Deep Learning
目标检测在基于传统手工特征及深度学习算法上已经取得较大发展,然而针对小目标检测的研究近几年才开始出现,研究成果较少,且大都是在已有目标检测算法基础上进行改进,以提高小目标检测的检测精度.小目标像素点少,本身携带的特征少,多次下采样后就更难进行特征提取,因而小目标检测面临极大挑战.小目标检测在自动驾驶、遥感图像检测、刑侦等领域都有广泛应用需求,对于小目标检测技术的研究有重要的实用价值.本文对小目标检测的现有研究成果进行了详细综述.首先,将现有算法按照检测需要的阶段数分为一阶段、二阶段、多阶段,描述了RetinaNet、CornerNet-Lite、特征金字塔网络(Feature Pyramid Network,FPN)等算法的原理并进行了对比分析.其次,本文描述了小目标检测技术在不同领域的应用情况,并汇总了MS COCO、PASCAL VOC、DOTA、KITTI等数据集及算法性能评价指标.最后,总结了小目标检测面临的挑战,并展望了未来的研究方向.
刘颖;刘红燕;范九伦;公衍超;李莹华;王富平;卢津
电子信息现场勘验应用技术公安部重点实验室,陕西西安710121陕西省无线通信与信息处理技术国际合作研究中心,陕西西安710121西安邮电大学图像与信息处理研究所,陕西西安710121西安邮电大学图像与信息处理研究所,陕西西安710121西安邮电大学图像与信息处理研究所,陕西西安710121电子信息现场勘验应用技术公安部重点实验室,陕西西安710121西安邮电大学图像与信息处理研究所,陕西西安710121
信息技术与安全科学
小目标检测尺度变换特征金字塔深度学习特征提取卷积神经网络
《电子学报》 2020 (3)
590-624,35
陕西省国际合作交流项目(No.2018KW-003)国家自然科学基金(No.61671377)国家重点研发计划(No.2017YFC0803805)
评论