尺度敏感损失与特征融合的快速小目标检测方法

现有通用深度学习目标检测方法对中、大目标有着较好的检测精度,而对小目标检测精度较低,主要原因在于小目标训练数据少以及下采样后特征图分辨率过低.针对上述问题,一方面,提出一种尺度敏感损失函数用于分类热图的训练,使小目标能够对模型更新产生更大的影响;另一方面,利用反卷积与可变形卷积提出一种自上而下的特征融合方法,获得高分辨率、强语义的特征图来检测目标.在上述两个方面的基础上,设计一种尺度敏感与特征融合的小目标检测方法.在PASCAL VOC数据集上,对提出方法进行了实验验证,实验结果表明:相比于现有目标检测方法,本文方法在保持较快检测速度的同时,提升了小目标检测的精度.

基于特征融合的CenterNet小目标检测方法

在深度学习目标检测中,小目标指的是待检测图像中覆盖区域较小的一类目标。小目标包含的信息量不足且在一般数据集中数量较少,导致现有的目标检测方法对小目标的检测效果不够理想。针对小目标检测问题,提出一种基于特征融合的CenterNet快速小目标检测方法。该方法根据卷积神经网络不同深度特征的特点,将特征从高到低逐层进行融合,在高分辨率的融合特征上进行预测,提高了模型对小目标的检测能力。同时,针对现有数据集中小目标数量较少问题,提出一种简单有效的数据预处理方法,在训练集中加入高分辨率、低信息量的图像,用其中的大目标帮助模型学习同类、相似小目标特征。实验结果表明,所提出的方法相比于原始CenterNet对小目标的检测能力提升明显。