论文部分内容阅读
目标检测问题是计算机视觉领域重要的研究问题之一,经过了数十年的发展,尤其是近年来深度学习的兴起,目标检测算法的效果不断提升,其鲁棒性也是越来越强。目前目标检测问题是以深度学习方法为主要研究方向,基于深度学习的目标检测方法包括基于候选区域的目标检测方法和基于回归的目标检测方法两大类。以Faster R-CNN为代表的基于候选区域的目标检测算法在检测精度上有较大的提升,但是它存在着检测速度慢的缺点。以SSD为代表的基于回归的目标检测算法提高了检测速度,但是检测精度却有所下降。虽然目标检测算法的研究在近几年已经取得了飞跃式的进展,但是大部分的目标检测算法都是以普通尺寸的目标作为研究对象,对于小目标这样的特殊的应用场景,其检测精度依然不尽人意。因此,本文针对小目标检测的问题展开了研究。本文归纳总结了目标检测算法在国内外的研究历程和研究现状,并分析介绍了小目标检测问题的难点。为了解决小目标场景下的目标检测问题,本文分析验证了几种解决小目标检测问题的有效方法,并且结合这些方法,以基于回归的目标检测框架为基础,提出了一种针对小目标检测问题的目标检测算法,并在Wider Face数据集上取得了较好的效果。本文的主要研究工作如下:(1)本文从上下文信息,图像上采样和模板设计三个研究点出发,依据这些研究点设计了图像分类实验来验证特征融合、多层特征预测和图像上采样的方法对小目标检测问题的有效性,并且为了适应小目标的数据集中目标的尺寸,本文根据Wider Face数据集的目标大小分布情况使用k-means聚类方法设计了25个检测模板。(2)本文结合特征融合、多层特征预测和图像金字塔等方法,以基于回归的目标检测框架为基础,提出了一种针对小目标检测问题的目标检测算法,并在Wider Face数据集上和Faster R-CNN、SSD、MTCNN三种算法从检测精度和检测速度上进行了对比。最终的实验结果显示,本论文提出的目标检测算法在小目标测试集上的检测精度相对于其他经典的目标检测算法较好。因此,本论文的目标检测算法对于小目标检测问题是有效的。