文献类型：期刊文章

作　　者：李科岑[1] 王晓强[1] 林浩[2] 李雷孝[3] 杨艳艳[3] 孟闯[3] 高静[4]

LI Kecen;WANG Xiaoqiang;LIN Hao;LI Leixiao;YANG Yanyan;MENG Chuang;GAO Jing(College of Information Engineering,Inner Mongolia University of Technology,Hohhot 010080,China;College of Computer Science and Engineering,Tianjin University of Technology,Tianjin 300384,China;College of Data Science and Application,Inner Mongolia University of Technology,Hohhot 010080,China;College of Computer and Information Engineering,Inner Mongolia Agricultural University,Hohhot 010011,China)

机构地区：[1]内蒙古工业大学信息工程学院,呼和浩特010080 [2]天津理工大学计算机科学与工程学院,天津300384 [3]内蒙古工业大学数据科学与应用学院,呼和浩特010080 [4]内蒙古农业大学计算机与信息工程学院,呼和浩特010011

出　　处：《计算机科学与探索》

基　　金：内蒙古自治区关键技术攻关计划项目(2019GG273);内蒙古自治区科技成果转化专项资金项目(2020CG0073,2021CG0033);内蒙古自治区科技重大专项(2019ZD015,2019ZD016);内蒙古自治区科技计划项目(2020GG0104)。

年　　份：2022

卷　　号：16

期　　号：1

起止页码：41-58

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、ZGKJHX、核心刊

摘　　要：随着深度学习的不断发展,目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测方法中,基于深度学习的单阶段目标检测方法因其网络结构较简单、运行速度较快以及具有更高的检测效率而被广泛运用。但现有的基于深度学习的单阶段目标检测方法由于小目标物体包含的特征信息较少、分辨率较低、背景信息较复杂、细节信息不明显以及定位精度要求较高等原因,导致在检测过程中对小目标物体的检测效果不理想,使得模型检测精度降低。针对目前基于深度学习的单阶段目标检测方法存在的问题,研究了大量基于深度学习的单阶段小目标检测技术。首先从单阶段目标检测方法的AnchorBox、网络结构、交并比函数以及损失函数等几个方面,系统地总结了针对小目标检测的优化方法;其次列举了常用的小目标检测数据集及其应用领域,并给出在各小目标检测数据集上的检测结果图;最后探讨了基于深度学习的单阶段小目标检测方法的未来研究方向。

关 键 词：深度学习  单阶段目标检测  小目标检测

分 类 号：TP391.41]