基于深度学习的小目标检测研究与应用综述

被引：100

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
]}

机构：

[1] 电子信息现场勘验应用技术公安部重点实验室

[2] 陕西省无线通信与信息处理技术国际合作研究中心

[3] 西安邮电大学图像与信息处理研究所

来源：

电子学报 | 2020年 / 48卷 / 03期

基金：

国家重点研发计划;

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;

D O I：

暂无

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

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.

引用

页码：590 / 601

页数：12

共 12 条

[1] 基于深度学习的小目标检测研究综述
刘晓楠
王正平
贺云涛
刘倩
[J]. 战术导弹技术, 2019, (01) : 100 - 107
[2] 卷积神经网络在目标检测中的应用综述
于进勇
丁鹏程
王超
[J]. 计算机科学, 2018, 45(S2) (S2) : 17 - 26
[3] 基于自编码算法的深度学习综述
崔广新
李殿奎
[J]. 计算机系统应用, 2018, 27 (09) : 47 - 51
[4] 改进的深度置信网络分类算法研究
徐毅
李蓓蓓
宋威
[J]. 计算机科学与探索, 2019, 13 (04) : 596 - 607
[5] 卷积神经网络在图像分类和目标检测应用综述
周俊宇
赵艳明
[J]. 计算机工程与应用, 2017, 53 (13) : 34 - 41
[6] 基于卷积神经网络的目标检测研究综述
李旭冬
叶茂
李涛
[J]. 计算机应用研究, 2017, 34 (10) : 2881 - 2886+2891
[7] 视频目标检测与跟踪算法研究及其在公安刑侦系统中的应用[D]. 张亚须.云南师范大学. 2018
[8] 基于特征融合的小物体目标检测研究与应用[D]. 王海屹.北京邮电大学. 2018
[9] Elliptic Fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images
Xiao, Zhifeng
Liu, Qing
Tang, Gefu
Zhai, Xiaofang
[J]. INTERNATIONAL JOURNAL OF REMOTE SENSING, 2015, 36 (02) : 618 - 644
[10] Multi-class geospatial object detection and geographic image classification based on collection of part detectors[J] . Gong Cheng,Junwei Han,Peicheng Zhou,Lei Guo.ISPRS Journal of Photogrammetry and Remote Sensing . 2014

← 1 2 →