| 面向小目标的多尺度Faster-RCNN检测算法 |
| |
| 引用本文： | 黄继鹏, 史颖欢, 高阳. 面向小目标的多尺度Faster-RCNN检测算法[J]. 计算机研究与发展, 2019, 56(2): 319-327. DOI: 10.7544/issn1000-1239.2019.20170749 |
| |
| 作者姓名： | 黄继鹏 史颖欢 高阳 |
| |
| 作者单位： | 1.(计算机软件新技术国家重点实验室(南京大学) 南京 210023) (huangjipengnju@gmail.com) |
| |
| 基金项目： | 国家自然科学基金;国家自然科学基金 |
| |
| 摘 要： | 小目标是指图像中覆盖区域较小的一类目标.与常规目标相比，小目标信息量少，训练数据难以标记，这导致通用的目标检测方法对小目标的检测效果不好，而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上，提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network， Faster-RCNN)检测算法.根据卷积神经网络的特性，修改了Faster-RCNN的网络结构，使网络可以同时使用低层和高层的特征进行多尺度目标检测，提升了以低层特征为主要检测依据的小目标检测任务的精度.同时，针对训练数据难以标记的问题，使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同，又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化，使训练图像和测试图像的特征分布更类似.实验结果表明：所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.
|
| 关 键 词： | 小目标检测 Faster-RCNN算法 多尺度检测 采样 深度学习 |
Multi-Scale Faster-RCNN Algorithm for Small Object Detection |
| |
| Huang Jipeng, Shi Yinghuan, Gao Yang. Multi-Scale Faster-RCNN Algorithm for Small Object Detection[J]. Journal of Computer Research and Development, 2019, 56(2): 319-327. DOI: 10.7544/issn1000-1239.2019.20170749 |
| |
| Authors: | Huang Jipeng Shi Yinghuan Gao Yang |
| |
| Affiliation: | 1.(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023) |
| |
| Abstract: | Huang Jipeng;Shi Yinghuan;Gao Yang(State Key Laboratory for Novel Software Technology (Nanjing University),Nanjing 210023) |
| |
| Keywords: | small object detection Faster-RCNN algorithm multi-scale detection sampling deep learning |
| 本文献已被 维普 万方数据 等数据库收录！ |
| 点击此处可从《计算机研究与发展》浏览原始摘要信息 |
|
点击此处可从《计算机研究与发展》下载全文 |
