發(fā)布時間：2021-07-21 15:12

　　近年來,目標檢測技術發(fā)展迅速,各行各業(yè)都可以看到目標檢測技術的身影。經(jīng)過十幾年的發(fā)展,各式各樣的目標檢測算法被提出,目標檢測的準確率越來越高,但是小目標檢測的效果卻一直不盡如人意。由于小目標尺寸較小,提取到的特征少,匹配的錨點框少,從而不易被檢測。小目標檢測需要綜合多個尺度特征信息。當前目標檢測特征提取采用基礎骨干網(wǎng)絡結合特征金字塔（feature pyramid networks,FPN）的方式來提取不同尺度特征。FPN在特征融合時只融合了相鄰層的特征,非相鄰層的特征被稀釋,不利于小目標檢測。當前感興趣區(qū)域提取主要采用的是手工設置錨點框方式。手工設置的錨點框形狀大小單一,不能很好的覆蓋小目標,導致錨點框的小目標召回率過低,不利于小目標檢測。本文針對現(xiàn)有目標檢測框架對于小目標檢測的以上缺陷,提出了一種基于密集融合的特征金字塔網(wǎng)絡（Dense fused feature pyramid network,Dense FPN）。Dense FPN將各個尺度的特征圖直接跳躍連接到特征金字塔,特征金字塔可以直接融合所有尺度特征圖信息,減少了信息在網(wǎng)絡傳遞過程中的消耗,增加了特征金字塔每層特征的豐... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

目標檢測示意圖

哈爾濱工業(yè)大學工學碩士學位論文3目標可能只包含十幾個像素，往往幾個像素的標注誤差就會造成較大的誤差偏移。如圖1-2所示，圖片中的很多小鳥是小目標，沒能被正確的檢測出來。圖1-2小目標檢測示意圖由于小目標檢測信息量匱乏、數(shù)據(jù)量稀缺、標注成本高、標注誤差大、小目標場景多樣等特點，通用的目標檢測算法往往不能直接遷移到小目標檢測，小目標檢測的mAP通常只有正常目標的一半。小目標檢測又是當前目標檢測不可或缺的一部分。在無人機的研發(fā)上，無人機通過攝像頭從高空拍攝地面上的物體，地面上的物體在拍攝的圖像上就被顯示為一個個的小目標。另外在交通監(jiān)控中拍到的車牌號、自動駕駛要求識別的交通指示牌等等在圖像中呈現(xiàn)出來的都是小目標[4]。因此小目標檢測在航拍、安防、自動駕駛領域顯得尤為重要。在圖像語意理解、目標重識別等高層計算機視覺任務上，如果對于某些小目標的檢測不準確，將會影響后面圖像語意理解和目標重識別的準確度。綜上所述，小目標檢測的研究對于人們的生活和人工智能的發(fā)展有著巨大的意義。1.2國內(nèi)外研究現(xiàn)狀通過國內(nèi)外研究人員幾十年的研究，目標檢測算法按照是否使用神經(jīng)網(wǎng)絡可以分為兩大類：一種是不使用神經(jīng)網(wǎng)絡的傳統(tǒng)目標檢測算法，另一種是使用神經(jīng)網(wǎng)絡的基于深度學習的目標檢測算法。傳統(tǒng)目標檢測算法是對圖像提取候選區(qū)域，然后使用手工設計的特征對候選區(qū)域提取特征，然后用分類器分類。深度學習目標檢測算法直接將一整張圖片作為輸入，通過神經(jīng)網(wǎng)絡自主學習特征，直接端到端的完成特征提娶目標分類、矩形框回歸等操作。1.2.1傳統(tǒng)目標檢測算法研究現(xiàn)狀如圖1-3所示，目標檢測算法主要包含五個步驟。

哈爾濱工業(yè)大學工學碩士學位論文16圖2-8FastR-CNN架構圖[27]目標分類是先將特征通過一個全連接層，再使用softmax層來得到候選區(qū)域的類別概率。因為感興趣區(qū)域不一定與真實框完美重合，所以需要對感興趣區(qū)域的候選框位置微調(diào)，使預測框與真實框的交并比盡可能大。因此目標檢測算法的損失函數(shù)一般包括兩部分：分類損失和回歸損失。如式（2-3）所示。(,,,)=(,)+[≥1](,)（2-3）其中是預測候選區(qū)域通過softmax預測的各類別的概率。是候選區(qū)域真實類別，=0表示背景。(,)是分類損失，(,)=表示當候選框真實類別為時的損失。是預測框的轉化后的相對坐標，是目標框的真實相對坐標。[≥1]表示只有前景目標才參與回歸損失計算。(,)是平滑1損失，計算方式如式（2-4）、（2-5）。(,)=∑1()∈{,,,}（2-4）1()={0.2||<1||0.,（2-5）2.4后處理步驟目標檢測算法對同一個目標往往會輸出很多個檢測框，這些檢測框相互重合，而一個目標只需要一個最優(yōu)的檢測框。在目標分類和位置回歸之后，本文需要后處理步驟來刪除那些冗余的檢測框，只留下最優(yōu)的那個檢測框。非極大值抑制是研究人員常用的篩選檢測框算法。表2-1是NMS算法的流程，NMS算法首先將預測框按照置信度從大到小排序，保留最大置信度的預測框到輸出集合中，然后刪除剩余預測框中與最大置信度預測框交并比大于所設閾值的預測框，再對剩下的預測框重復上面的操作直到任何兩個預測框的交并比小于所設閾值。圖2-9是經(jīng)過NMS處理后的效果圖，可以看到左圖中有很多個黃色的冗余

【參考文獻】：
期刊論文
[1]自底向上的顯著性目標檢測研究綜述[J]. 吳加瑩,楊賽,堵俊,林宏達.  計算機科學. 2019(03)
[2]基于難分樣本挖掘的快速區(qū)域卷積神經(jīng)網(wǎng)絡目標檢測研究[J]. 張燁,許艇,馮定忠,蔣美仙,吳光華.  電子與信息學報. 2019(06)
[3]基于轉置卷積操作改進的單階段多邊框目標檢測方法[J]. 郭川磊,何嘉.  計算機應用. 2018(10)
[4]目標檢測算法研究綜述[J]. 方路平,何杭江,周國民.  計算機工程與應用. 2018(13)



本文編號：3295264