| 小目标检测研究进展 |
| |
| 引用本文： | 高新波,莫梦竟成,汪海涛,冷佳旭.小目标检测研究进展[J].数据采集与处理,2021,36(3):391-417. |
| |
| 作者姓名： | 高新波 莫梦竟成 汪海涛 冷佳旭 |
| |
| 作者单位： | 重庆邮电大学计算机科学与技术学院，重庆 400065 |
| |
| 基金项目： | 国家自然科学基金(62036007,62050175)资助项目。 |
| |
| 摘 要： | 小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习的驱动下，小目标检测已取得了重大突破，并成功应用于国防安全、智能交通和工业自动化等领域。为了进一步促进小目标检测的发展，本文对小目标检测算法进行了全面的总结，并对已有算法进行了归类、分析和比较。首先，对小目标进行了定义，并概述小目标检测所面临的挑战。然后，重点阐述从数据增强、多尺度学习、上下文学习、生成对抗学习以及无锚机制等方面来提升小目标检测性能的方法，并分析了这些方法的优缺点和关联性。之后，全面介绍小目标数据集，并在一些常用的公共数据集上对已有算法进行了性能评估。最后本文对小目标检测技术的未来发展方向进行了展望。
|
| 关 键 词： | 小目标检测 数据增强 多尺度学习 上下文学习 生成对抗学习 无锚机制 |
| 收稿时间： | 2021/4/20 0:00:00 |
| 修稿时间： | 2021/5/10 0:00:00 |
Recent Advances in Small Object Detection |
| |
| Gao Xinbo,Mo Mengjingcheng,Wang Haitao,Leng Jiaxu.Recent Advances in Small Object Detection[J].Journal of Data Acquisition & Processing,2021,36(3):391-417. |
| |
| Authors: | Gao Xinbo Mo Mengjingcheng Wang Haitao Leng Jiaxu |
| |
| Affiliation: | College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China |
| |
| Abstract: | |
| |
| Keywords: | small object detection data augmentation multi-scale learning context learning generative adversarial learning anchor-free mechanism |
|
| 点击此处可从《数据采集与处理》浏览原始摘要信息 |
|
点击此处可从《数据采集与处理》下载全文 |
