基于深度学习的小目标检测技术研究进展(特邀)

小目标检测在自动驾驶、安防等领域具有重要的应用价值。然而,由于小目标自身视觉特征不明显、复杂背景干扰以及信噪比低等因素,使得小目标检测一直以来都是一个极具挑战性的难题。笔者系统回顾了当前基于深度学习方法的小目标检测技术,对现有算法进行了系统地归类、分析和比较:界定了小目标检测的概念,总结了小目标检测所面临的主要挑战;着重讨论了几种主要的网络优化策略,如利用数据增强技术提高模型的泛化能力,通过超分辨率技术改善小目标可视性,采用多尺度信息融合技术提升检测精度,以及基于上下文信息学习和大核卷积策略改进特征表达能力、无锚框检测机制、DETR技术和针对特定应用场景的多模态小目标检测等方法并详细分析了其优缺点;全面介绍了现有小目标数据集,并在常用公共数据集上对目前经典的小目标检测算法进行了测试和性能评估;对小目标检测领域未来的研究方向进行了展望,旨在推动小目标检测技术的进一步发展和应用拓展。

基于多尺度分层残差网络的光学遥感图像微小目标检测

针对光学遥感图像中微小目标空间分辨率低、有效特征不足等问题,在YOLOv5检测算法基础上,提出一种基于多尺度分层残差网络的光学遥感图像微小目标检测方法。设计了一种简单高效的多尺度分层残差特征提取模块,可在更细粒度水平上获得更丰富的感受野,强化神经网络的特征提取能力,进一步提升微小目标特征丰富度。在此基础上,进一步优化损失函数中的定位损失项,通过增加距离惩罚提升检测算法对微小目标的定位能力。在光学遥感微小目标检测数据集AI-TODv2和微小行人检测数据集TinyPerson上开展了系统对比实验,实验结果表明所提出算法相较于基准YOLOv5算法平均精度分别提升了5.5%和1.8%,有效提高了微小目标检测的召回率和准确率。