文献类型：期刊文章

作　　者：唐聪[1,2,3] 凌永顺[1,2,3] 郑科栋[4] 杨星[1,3] 郑超[1,2,3] 杨华[1,2,3] 金伟[1,2,3]

机构地区：[1]国防科技大学,安徽合肥230037 [2]红外与低温等离子体安徽省重点实验室,安徽合肥230037 [3]脉冲功率激光技术国家重点实验室,安徽合肥230037 [4]中国人民解放军31101部队,江苏南京210018

出　　处：《红外与激光工程》

基　　金：国家自然科学基金(61503394,61405248);安徽省自然科学基金(1508085QF121)

年　　份：2018

卷　　号：47

期　　号：1

起止页码：290-298

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：提出了一种基于深度学习的多视窗SSD(Single Shot multibox Detector)目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF(Average F-measure)为0.729,m AP(mean Average Precision)为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。

关 键 词：深度学习  多视窗SSD  目标检测 小目标  

分 类 号：TP391.4]