摘要
目标检测是计算机视觉领域最重要的研究方向之一，在人脸识别、行人检测、遥感图像检测等领域有着广泛的应用前景。现有的目标检测算法能较好地检测大中型目标，但对于现实复杂场景中的小目标难以精确检测，容易产生误检和漏检的问题。这是由于小目标的像素点少，分辨率低，且容易受到光照、模糊、遮挡等背景因素的干扰。因此，本文围绕小目标检测展开研究，从特征增强、特征融合和优化锚框等角度提高小目标检测性能，具体研究工作如下： (1)针对小目标下采样后特征易丢失，特征表达能力弱的问题，提出一种基于轻量级多尺度网络(LightweightMulti-scaleNetwork,LMSN)的目标检测算法。该算法充分利用多尺度信息提高小目标检测效果。首先，在MobileNetv2-SSD的基础框架下，提出多尺度特征融合模块，充分融合高层和低层特征，有效提高了特征表达能力。其次，设计轻量级感受野增强模块，通过不同扩张率的扩张卷积有效增大特征图的感受野。最后，在多尺度预测过程中，引入高效通道注意力模块，提高特征图之间的信息关联，充分利用目标上下文信息。实验结果表明LMSN在PASCALVOC和RSOD数据集上的mAP分别达到了75.76%和89.32%，比MobileNetv2-SSD高出5.79%和11.14%。同时，其保持了61FPS和64FPS的检测速度。证实了LMSN对小目标检测的有效性。 (2)针对特征图细节信息和语义信息利用率不足的问题，提出一种基于平衡反向特征融合网络(BalancedReverseFeatureFusionNetwork,B-RFFN)的目标检测算法。基于MobileNetv2-YOLOv4基本结构，针对小目标特点提出了三点改进。首先，设计了高效卷积注意力模块，在通道和空间两个维度上充分融合小目标特征，加强网络对小目标特征的关注，抑制无关背景信息的干扰。其次，提出了反向特征金字塔网络，充分融合相邻层级和非相邻层级的特征，提高特征图细节信息和语义信息的利用率。最后，使用K-means++算法聚类分析，生成适用于小目标检测的锚框，提高小目标的定位准确性。实验结果表明B-RFFN在PASCALVOC数据集上的mAP达到了81.0%，检测速度为61FPS。在RSOD数据集上的mAP为92.66%，检测速度也保持在65FPS。证明了B-RFFN可以在维持有竞争力的检测速度的同时，有效提高小目标检测精度，较好地平衡了目标检测的速度和精度。
NETL