文献类型：期刊文章

作　　者：黄继鹏[1] 史颖欢[1] 高阳[1]

Huang Jipeng;Shi Yinghuan;Gao Yang(State Key Laboratory for Novel Software Technology (Nanjing University),Nanjing 210023)

机构地区：[1]计算机软件新技术国家重点实验室(南京大学),南京210023

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(61432008;61673203)~~

年　　份：2019

卷　　号：56

期　　号：2

起止页码：319-327

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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%.

关 键 词：小目标检测 Faster-RCNN算法  多尺度检测  采样 深度学习  

分 类 号：TP183]