摘 要：由于小目标分辨率低、携带的信息少，现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题，以基于深度学习的目标检测为切入点，系统总结了基于深度学习的目标检测代表算法，并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总，介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题，对未来目标检测领域发展趋势进行了预测与展望。
关键词：目标检测;小目标;深度学习;RCNN;SSD;YOLO
DOI：10. 11907/rjdk. 191987 开放科学（资源服务）标识码（OSID）：十八大党章修改
中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2020）005-0276-05
0 引言
南京航海技术学校
ISO 14644>乙免 隨着人工智能应用研究不断发展，深度学习等方法也随之兴起，在目标检测、自然语言处理、语音识别等领域应用越来越广泛。相比于传统机器学习采用滑动窗口提取目标（如SIFT[1]、HOG[2]等视觉特征这种低效率方法），深度学习算法借助神经网络产生候选区域提取目标特征，大大提升了目标检测的精度和速率。但就像物理学中的乌云一般，目标检测也存在一片乌云，即小目标检测。小目标由于图像像素较少，包含的特征信息不明显，检测时常会出现漏检和误检情况，严重影响目标检测效果，是目标检测领域亟待解决的一个重难点问题。由于小目标检测算法大多是在现有检测算法上的改进与加强，因此本文首先总结现有深度学习目标检测算法的优缺点;然后对小目标检测改进算法进行分析，最后对未来小目标检测应用与发展进行展望。
1 基于深度学习的目标检测算法
鸭子捉兔 自从AlexNet[3]获得ILSVRC2012挑战赛冠军后，用卷积神经网络进行分类成为主流。
该算法以其简单的训练方法、较高的检测精度和不俗的检测速度迅速取代了传统的机器学习方法。如今基于深度学习的目标检测逐渐出现了不同分支，根据检测思想不同，可分为基于区域提取的检测方法和基于回归的检测方法，两种方法分别在检测准确率和检测速度上占据优势。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议