复杂场景下的小目标检测方法研究

发布时间：2022-02-21 15:58

　　目标检测是计算机视觉领域的一个重要研究方向,也是其它复杂视觉任务的基础。最近几年,随着深度学习的快速发展,目标检测也取得了巨大的突破。目前,目标检测已经广泛应用于多个领域,包括自动驾驶、智能监控和医疗图像分析等。然而,现有的方法仍然难以很好地处理小目标,尤其是复杂场景下的小目标。在复杂的真实应用场景中,目标的尺寸通常是较小的,并且会伴随光照剧烈变化、目标遮挡和目标尺度变化等情况。因此,复杂场景下的小目标检测是极具挑战性的。本文围绕复杂场景下的小目标检测展开了一系列创新研究,在现有目标检测方法的基础上,提出了多种能够提升小目标检测性能的新方法。本文的主要工作和创新点如下:1.针对小目标特征难以提取问题,本文提出一种基于深度卷积神经网络的双向特征融合方法。该方法通过充分融合不同层的特征来增强用于目标检测的特征图,从而提高小目标的检测性能。在得到不同尺度的特征图后,该方法同时从浅层向深层传递细节特征和深层向浅层传递语义特征,并将这些特征进行融合,最后使得新生成的特征图既包含有细节特征又包含有丰富的语义特征。实验结果表明,所提方法通过将不同层的特征信息进行融合,提升了小目标的检测性能。2.针对... 

【文章来源】：中国科学院大学(中国科学院计算机科学与技术学院)北京市

【文章页数】：130 页

【学位级别】：博士

【文章目录】：
摘要
abstract
符号列表
第1章 引言
    1.1 研究背景与意义
    1.2 复杂场景下小目标检测面临的挑战
    1.3 本文的研究内容与贡献
        1.3.1 本文的研究内容
        1.3.2 本文的主要贡献
    1.4 本文的组织结构
第2章 研究现状综述
    2.1 目标检测算法
        2.1.1 传统的目标检测算法
        2.1.2 基于深度学习的目标检测算法
    2.2 针对小目标的检测算法
        2.2.1 特征融合
        2.2.2 上下文利用
        2.2.3 对抗学习
    2.3 目标检测数据集
        2.3.1 PASCAL VOC
        2.3.2 MS COCO
        2.3.3 FOD
        2.3.4 评价标准
    2.4 本章小结
第3章 基于双向特征融合的小目标检测方法
    3.1 引言
    3.2 相关工作
    3.3 双向特征融合方法
        3.3.1 特征金字塔生成
        3.3.2 前向特征传递
        3.3.3 反向特征传递
        3.3.4 新特征金字塔生成
    3.4 基于双向特征融合的改进算法
        3.4.1 模型结构
        3.4.2 模型训练
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 在VOC2007上的性能评估
        3.5.3 在PASCAL VOC2012 上的性能评估
        3.5.4 在FOD上的检测性能
        3.5.5 前向和反向特征传递的影响
        3.5.6 特征图融合方式的讨论
    3.6 本章小结
第4章 基于上下文学习的小目标检测方法
    4.1 引言
    4.2 相关工作
    4.3 上下文学习网络
        4.3.1 局部上下文学习
        4.3.2 全局上下文学习
        4.3.3 特征增强
    4.4 基于上下文学习的改进算法
    4.5 实验结果与分析
        4.5.1 实验设置
        4.5.2 在PASCAL VOC上的性能评估
        4.5.3 在FOD上的性能评估
        4.5.4 上下文学习网络中各模块的作用
        4.5.5 不同骨干网络的影响
        4.5.6 上下文和卷积特征图融合方式的影响
    4.6 本章小结
第5章 基于中心和宽高预测的小目标检测方法
    5.1 引言
    5.2 相关工作
        5.2.1 基于锚框机制的目标检测
        5.2.2 基于关键点的目标检测
    5.3 基于中心和宽高预测的小目标检测方法
        5.3.1 算法整体结构
        5.3.2 骨干网络
        5.3.3 中心注意力的宽高回归
        5.3.4 级联的中心预测
        5.3.5 训练和推理
    5.4 实验结果与分析
        5.4.1 实验设置
        5.4.2 在FOD上的性能评估
        5.4.3 在MS COCO上的性能评估
        5.4.4 不同骨干网络和测试方式的影响
        5.4.5 级联中心预测的作用
        5.4.6 中心注意力的宽高回归的作用
        5.4.7 级联数量的影响
        5.4.8 不同损失权重的影响
    5.5 本章小结
第6章 小目标检测模型应用研究
    6.1 实验设置
    6.2 在FOD上的性能评估
    6.3 不同模块对检测结果的影响
    6.4 本章小结
第7章 总结与展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3637589