摘要
目标检测是计算机视觉领域的一个重要分支，已经被广泛地应用于某些特定的领域。目前，大多数目标检测有效的应用场景都是基于常规大小的目标，而对于那些人眼也容易忽略的小目标，其检测效果往往差强人意，从而使得对小目标的检测成为目标检测领域的一个难点。随着科技的发展，对小目标检测的应用场景越来越广泛，譬如在遥感领域、森林防火领域、自动驾驶等。由于小目标在视频或图像中所占像素小，相关特征不明显，难以显示出有效的外观、轮廓和颜色等特征信息，增加了检测的难度，难以有效捕获到小目标中有用的特征信息。 为了解决这些问题，本文以YOLO目标检测算法为基础，根据小目标物体检测时像素少、特征点少、样本不均衡、信噪比低等特点，结合帧同步时间参数和遥感领域的实际应用场景，对小目标物体检测增强策略进行了研究，改进了面向小目标物体的渐进式检测策略和遥感图像目标检测策略两种策略。其主要研究工作主要聚焦在如下两个方面： （1）改进的面向小目标物体的渐进式检测策略。本策略是基于YOLOv4的目标检测为基础，针对帧同步时间参数检测的输入数据样本不均衡、输入有效数据区域较小、输入图像环境多变、检测精度较低等问题，提出数据增强方法，改进了YOLOv4目标检测神经网络，实现渐进式检测，有效地增强了小目标物体的特征信息，创新性地提出了位置坐标到帧同步时间参数的转换算法。实验结果表明，与其它流行的策略相比，所提出的策略具有更高的精度，并能出色完成自动计算帧同步时间参数的任务。 （2）面向小目标物体的遥感图像目标检测策略。本策略是基于YOLOv7-tiny的目标检测为基础，针对遥感成像领域中输入图像中小目标特征信息较少，全图尺寸大，噪声较大的问题，采用一种改进的注意力模块，并提出增强的神经网络YOLOv7a-tiny和损失函数，增强对小目标的学习能力。实验结果表明，和YOLOv7相比，所提出的策略可以达到更高的检测精度和更快的收敛速度。 综上所述，本文面向小目标物体检测增强策略研究均是基于YOLO系列的目标检测策略的研究，针对小目标检测所面临的一系列问题，改进了相应的目标检测神经网络和注意力模块，提高了小目标检测精度，对小目标检测在遥感、自动化驾驶等领域的应用具有重要的参考作用。
NETL