文献类型：期刊文章

作　　者：刘颖[1,2,3] 刘红燕[3] 范九伦[3] 公衍超[1,3] 李莹华[3] 王富平[1,3] 卢津[1,3]

LIU Ying;LIU Hong-yan;FAN Jiu-lun;GONG Yan-chao;LI Ying-hua;WANG Fu-ping;LU Jin(Key Laboratory of Electronic Information Application Technology for Scene Investigation,Ministry of Public Security,Xi’an,Shaanxi 710121,China;International Joint Research Center for Wireless Communication and Information Processing,Shaanxi,Xi’an,Shaanxi 710121,China;Center for Image and Information Processing,Xi'an University of Posts and Telecommunications,Xi’an,Shaanxi 710121,China)

机构地区：[1]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 [2]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 [3]西安邮电大学图像与信息处理研究所,陕西西安710121

出　　处：《电子学报》

基　　金：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)。

年　　份：2020

卷　　号：48

期　　号：3

起止页码：590-601

语　　种：中文

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

摘　　要：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.

关 键 词：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

分 类 号：TP391.41] TP183[计算机类]