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