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。

基于迁移学习的军事少样本集成分类研究

深度神经网络是一种需要大量的数据来进行有效训练的模型。军事装备类数据普遍存在数据量较少,无法满足深度神经网络的训练需求,容易出现过拟合的问题。针对该问题,本文引入迁移学习技术,通过构建多类型样本训练集,微调预训练模型,构建军事装备类集成分类器。实践证明迁移学习在少样本分类任务中的应用节省了模型训练时间,解决了模型过拟合及对数据标签依赖性强的问题,能有效提高基于深度学习的军事装备类小样本图像分类的准确性。A large amount of data is indispensable for effective training of deep neural networks. Military equipment data generally suffers from insufficient quantities, which fails to meet the training requirements of deep neural networks and easily leads to over fitting. To address this issue, this paper introduces transfer learning technology by constructing a multi-type sample training set and fine-tuning pre-trained models, and an ensemble classifier for military equipment is built. Experimental results have confirmed that transfer learning saves training time on small samples tasks, resolves issues of model over fitting and strong dependence on data labels simultaneously, and can effectively improve the accuracy of small sample image classification of military equipment based on deep learning.