基于改进密集网络与二次回归的小目标检测算法

摘要：

基于单激发探测器(SSD)的小目标检测算法实时性较差且检测精度较低.为提高小目标检测精度和鲁棒性,提出一种结合改进密集网络和二次回归的小目标检测算法.将SSD算法中骨干网络由VGG16替换为特征提取能力更强且速度更快的DenseNet,利用基于区域候选的检测算法中默认框由粗到细筛选的回归思想设计串级SSD网络结构,在区分目标和背景后进行常规目标分类和位置回归,以获取精确的默认框信息并达到小目标检测中正负样本比例均衡.在此基础上,使用特征图尺度变换方法在不增加参数量情况下完成特征图融合,同时通过K-means聚类方法得到默认框的最佳长宽比并重新设置其尺寸.实验结果表明,该算法的检测平均精度均值在PASCAL VOC2007公共数据集和自制航拍小目标数据集上分别为82.3％和87.6％,较改进前SSD算法分别提升5.1个百分点和9.5个百分点,检测速度达到58 frames/s,可有效实现小目标的实时性检测.

关键词：单激发探测器检测算法、深度学习、小目标检测、密集网络、二次回归

所属期刊栏目：47

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点研发计划;教育部-中国移动科研基金

在线出版日期：2021-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：241-247,255