基于改进faster R-CNN算法的小目标车辆检测

针对faster R-CNN对远距离小目标车辆的检测效果较差的问题,文章融合特征金子塔网络(FPN)和faster RCNN,提出了反卷积反向特征融合faster R-CNN算法。首先,对faster R-CNN算法的特征提取网络进行改进,选用ResNet-101网络替换VGG网络,不仅降低了训练难度,而且有效改善梯度消失问题,将其与提出的反卷积反向特征融合结构相结合,提高对远距离小目标车辆信息的多尺度特征的提取和表达能力;然后,将网络中的ReLU激活函数改进为Mish激活函数,用整个区域的光滑曲线解决ReLU函数会丢失一部分信息的问题,以整体提高网络对车辆目标的精确度、稳定性和鲁棒性;最后,在自建的小目标车辆图像库中与faster R-CNN、YOLOv3等算法进行对比实验,综合场景下平均精度分别提高2.18%、2.98%,对于小目标车辆,平均精度分别提高5.72%、2.10%。