摘要
近年来，随着深度学习理论的迅速发展和硬件计算能力的快速提升，基于深度学习的目标检测算法取得了重大突破，被广泛应用于油田智慧化发展、缺陷自动检测、无人驾驶、智慧医疗和遥感影像分析等领域。然而，相较于常规尺寸目标，小目标由于携带信息少、容易受背景干扰等特点，其检测效果往往达不到预期。例如，现有算法在检测小尺度道路交通标志时存在较多误检和漏检情况，容易导致自动驾驶车辆做出错误的决策，进而影响道路安全。造成这种误检、漏检现象发生的主要原因在于主流目标检测算法在特征提取过程中容易造成小目标特征信息和位置信息的大量丢失。因此，针对小目标在特征提取过程中信息丢失严重、上下文语义信息不足以及容易受背景噪声干扰等问题，在主流目标检测算法的基础上从上下文学习、特征融合等方面增强小目标特征以改善小目标检测性能。本文的主要工作内容包括: (1)针对上下文语义信息不足的问题，本文利用小目标周围的信息辅助增强小目标信息，构建了一种上下文增强模块，通过融合具有不同尺度感受野的特征来获取小目标的丰富上下文信息，提高网络对图像中小目标的敏感性和适应性。考虑到21×21大感受野分支提取的上下文信息会有大量的背景噪声，引入跳跃连接分支对空间和通道方向上的特征进行重新校准以获得注意力特征图，从而增强小目标的特征响应并抑制背景噪声。实验结果表明，利用所述方法增强后算法的AP相对于基线算法提高了 5.5％。 (2)针对卷积神经网络对小目标多次下采样和池化操作导致的特征丢失问题，利用小波变换多分辨率、多尺度分析的特性，将经过小波变换分离的原始图像的高低频信息参与多尺度特征融合，增强小目标的特征表达能力，提高多尺度特征融合的效果。实验结果表明，利用(1)和(2)所述方法增强后算法的AP相对于基线算法提高了 6.6％,进一步强化了网络对小目标的检测能力。 (3)引入目标上下文信息以及改进多尺度特征融合的方式在一定程度上增加了模型的计算量和参数量，通过牺牲模型速度的方式换取模型精度的提升，加大了模型在终端部署的难度。基于此，本文以轻量化网络GhostNet替换AIE-YOLO的骨干特征提取网络，提出了一个基于GhostNet的轻量化小目标检测算法GhostNet-YOLO。实验结果表明,GhostNet-YOLO算法以1.4％的AP换取了 18.8％的速度提升，符合实际工程化需求。
NETL