基于神经网络的小目标检测技术研究.pdf
摘要
新世纪以来，深度学习在不断的发展中，利用卷积神经网络衍生的目标检测算
法在计算机视觉领域占据了重要地位并在各个场景都有显著成果。目标检测算法
是计算机视觉不可或缺的一环，但是小目标的检测任务始终是目标检测任务无法
有效解决的重点和难点。由于小目标的特殊性，因此如何提高小目标的检测性能具
有重大的研究和现实意义。本论文通过对国内外相关成果进行分析，讨论了当前目
标检测算法的研究方向及需应对的挑战和不足，并以这些为切入方向，SSD算法
为主体，提出了小目标检测性能的优化方案，主要工作如下：
1、针对SSD算法特征层中语义信息不足，小目标特征提取能力缺乏的问题，
提出一种融合视觉扩张机制和路径聚合的检测方案。导致小目标检测乏力的原因
之一是浅特征层中的语义信息不足。因此通过组合不同大小卷积核的卷积和不同
膨胀率的膨胀卷积形成的视觉扩张机制能够有效扩大感受野，达到提取更加丰富
的语义信息的目的。通过路径聚合模块来引导浅层特征和深层特征的相互跃迁，使
得特征信息得到交流。在PASCALVOC和MSCOCO数据集上进行了实验，该算
法的mAP分别为83.4%和48.4%。
2、针对SSD算法没有充分提取每一个特征层所包含的特征信息，会降低特征
的表达效果，以及特征信息在采样中丢失的这些制约因素，提出一种融合注意力机
制的多分支堆叠和新采样过渡模块的检测方案。利用大小不同的卷积核并行卷积
对其特征进行充分提取，提高特征的表达效果。新的采样过渡模块是为了弥补因为
卷积造成的信息丢失，保证特征信息跨通道融合的实现，同时这个采样过渡模块也
将为后续检测过程保留更多的特征信息，从避免特征丢失的角度为小目标的检测
提供保障。在PASCALVOC和MSCOCO数据集上进行了实验，该算法的mAP
分别为84.6%和53.4%。
3、针对SSD算法各特征层之间缺乏特征关联性以及特征信息之间缺少互补引
起算法在小目标检测方面性能不佳问题，提出了一种融合注意力机制和多尺度双
金字塔特征增强的小目标检测方案。通过对浅层和深层特征的增强来保证自身对
有效特征的抓取效果，同时利用多尺度特征融合模块来关联不同尺度的特征层。双
金字塔的设计能够对不同特征层进行有效互补，避免了传统单向金字塔存在的特
征丢失问题。同时利用注意力机制来保留网络中更多的上下文信息，适应性的调整
相加融合之后的特征图，减少背景干扰。在PASCALVOC和MSCOCO数据集上
进行了实验，该算法的mAP分别为87.7%和51.1%。
关键词：小目标检测；卷积神经网络；特征融合；注意力机制
I
convolution,toensuretherealizationofcross-channelfusionoffeatureinformation,
whilethissamplingtransitionmodulewillalsoretainmorefeatureinformationforthe
subsequentdetectionprocess,fromtheperspectiveofavoidingthelossoffeaturesto
provideaguaranteeforthedetectionofsmalltargets.Experimentswereconductedonthe
PASCALVOCandMSCOCOdatasetsandthemAPofthealgorithmwas84.6%and
53.4%,respectively.
3.AimingatthelackoffeaturecorrelationbetweenthefeaturelayersoftheSSD
algorithmandthelackofcomplementaritybetweenthefeatureinformationleadingtothe
poorperformanceofthealgorithminthedetectionofsmalltargets,asmalltarget
detectionschemein