一种优化的Faster R-CNN小目标检测方法

摘要：

图像目标检测是计算机视觉与数字图像处理的一个热门方向,其主要任务是找出图像中感兴趣的物体并确定物体的位置与类别.目前基于深度学习模型是主流的目标检测算法,利用其解决诸多学科问题成为一种趋势.本文采用区域卷积神经网络(Faster R-CNN)深度学习算法和相关图像处理算法,以ResNet50、ResNet101为骨干网络,采用特征金字塔网络开展新冠疫情期间武汉市车辆变化监测,以此分析疫情下的武汉市内部活动强度.结果显示:本文车辆目标检测方法的精确率为0.96,召回率为0.92,平均精度为0.85.疫情前(2019年11月17日)、中(2020年02月22日)车辆变化情况为:武汉汇聚中心分别为263、32辆,汪家嘴立交桥分别为89、44辆,新兴工业园分别为554、347辆,经开未来城分别为188、57辆.可知,疫情导致武汉市人口出行减少、车辆活动明显降低.

关键词：目标检测;Faster R-CNN算法;深度学习;图像处理;新冠病毒

分类号：P237(摄影测量学与测绘遥感)

资助基金：中国科学院战略性先导科技专项XDA19090121;XDA19030104

在线出版日期：2021-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：21-27