基于改进PVANet的实时小目标检测方法

摘要：

现有目标检测算法主要以图像中的大目标作为研究对象,针对小目标的研究比较少且存在检测精确度低、无法满足实时性要求的问题,基于此,提出一种基于深度学习目标检测框架PVANet的实时小目标检测方法.首先,构建一个专用于小目标检测的基准数据集,它包含的目标在一幅图像中的占比非常小且存在截断、遮挡等干扰,可以更好地评估小目标检测方法的优劣;其次,结合区域建议网络(RPN)提出一种生成高质量小目标候选框的方法以提高算法的检测精确度和速度;选用step和inv两种新的学习率策略以改善模型性能,进一步提升检测精确度.在构建的小目标数据集上,相比原PVANet算法平均检测精确度提高了10.67％,速度提升了约30％.实验结果表明,该方法是一个有效的小目标检测算法,达到了实时检测的效果.

关键词：小目标检测、小目标数据集、PVANet算法、区域建议网络、学习率策略

所属期刊栏目：37

分类号：TP183(自动化基础理论)

资助基金：航空科学基金资助项目2015ZC31005,2017ZC31008

在线出版日期：2020-06-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：593-597