基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
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.
推荐文章
期刊_基于深度学习的目标检测技术的研究综述
计算机视觉
深度学习 目标检测
基于深度学习的小目标检测算法综述
目标检测
小目标
深度学习
RCNN
SSD
YOLO
基于深度学习的目标检测研究综述
目标检测
深度学习
特征提取
计算机视觉
视频监控
图像处理
卷积神经网络
基于深度学习的病毒检测综述
深度学习
病毒检测
识别分类
特征降维
高维信息
人工神经网络
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于深度学习的小目标检测研究与应用综述
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
研究方向 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
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (77)
共引文献  (106)
参考文献  (12)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1983(1)
  • 参考文献(0)
  • 二级参考文献(1)
1986(1)
  • 参考文献(0)
  • 二级参考文献(1)
1988(1)
  • 参考文献(0)
  • 二级参考文献(1)
1989(1)
  • 参考文献(0)
  • 二级参考文献(1)
1994(2)
  • 参考文献(0)
  • 二级参考文献(2)
1995(1)
  • 参考文献(0)
  • 二级参考文献(1)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(3)
  • 参考文献(0)
  • 二级参考文献(3)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(3)
  • 参考文献(0)
  • 二级参考文献(3)
2006(4)
  • 参考文献(0)
  • 二级参考文献(4)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(4)
  • 参考文献(0)
  • 二级参考文献(4)
2012(2)
  • 参考文献(0)
  • 二级参考文献(2)
2013(4)
  • 参考文献(0)
  • 二级参考文献(4)
2014(6)
  • 参考文献(1)
  • 二级参考文献(5)
2015(15)
  • 参考文献(1)
  • 二级参考文献(14)
2016(8)
  • 参考文献(1)
  • 二级参考文献(7)
2017(18)
  • 参考文献(3)
  • 二级参考文献(15)
2018(5)
  • 参考文献(3)
  • 二级参考文献(2)
2019(3)
  • 参考文献(3)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
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
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
电子学报
月刊
0372-2112
11-2087/TN
大16开
北京165信箱
2-891
1962
chi
出版文献量(篇)
11181
总下载数(次)
11
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导