基于深度学习的小目标检测研究与应用综述

• 作者: 公衍超 刘红燕 刘颖 卢津 李莹华 王富平 范九伦
• 来源期刊: 电子学报
• 学科: 工学
• 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
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 综述评论
• 页码范围: 590-624
• 页数: 35页
• 分类号: TP391.41|TP183
• 字数: 8845字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2020.03.024

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.