![](https://csdnimg.cn/release/download_crawler_static/86954548/bg3.jpg)
因为相较于传统的基于手工特征的方法,基于深度学习的方法通常可以取得更好的
效果,所以现在深度学习的方法在目标检测这一方向上已经成为主流,绝大多数的
研究工作都是围绕 CNN 展开的.
然而,即使这些基于深度学习的方法在通用的目标检测数据集上取得了很好的效果,
它们仍然不能很好地解决小目标检测这一问题.例如:图 1 第 1 行图像中的挖掘机
用通用的目标检测方法是检测不出来的,而用本文的方法则可以检测出来.
小目标检测问题主要有 2 个难点:
1) 当目标在图像中占比非常小的情况下,对应区域的像素所反映出的信息量是非
常有限的.在极端情况下,小目标检测任务甚至可能退化为像素分类任务.这导致一
些通用的目标检测算法难以适用于小目标检测,而一些专门为小目标检测设计的算
法只能针对特定的应用背景,缺乏通用性.
2) 标记图像中的小目标作为训练数据时很容易出现误差,在目标本身已经很小的
情况下,细微的误差容易对检测结果造成较大的影响,而且标记数据的人工成本也
很高[5],所以目前为止还没有一个较大的完整的用于小目标检测研究的数据集,
这阻碍了学术界对于小目标检测的研究.
针对上述的问题,本文提出了一种面向小目标的多尺度 Faster-RCNN 检测算法.该
方法根据卷积神经网络的特性,对网络结构做出修改,使得网络可以同时利用低层
和高层的特征进行多尺度检测.同时,本文还用网上搜索引擎爬虫获得的高分辨率
大目标图像进行训练以解决缺少小目标训练数据的问题.由于高分辨率的大目标训
练图像与低分辨率的小目标测试图像的数据分布存在很大差异,通过可视化分析问
题后,又使用下采样和上采样的方法尽可能消除训练图像与测试图像的差异.实验
表明,所提出的方法确实可以较好地解决小目标检测的问题.
1) 针对 Faster-RCNN 在小目标检测上的不足,提出了通用的网络结构修改规则,