作者：
安鶴男1，鄧武才1，管 聰2，姜邦彥2
作者機關：
1.深圳大學 電子與資訊工程學院，廣東 深圳518000；
2.深圳大學 微納光電子學研究院，廣東 深圳518000。
摘要：
針對通用目标檢測算法在檢測小目标時存在錯檢和漏檢等問題,提出了一種小目标檢測算法IPH(Involution Prediction Head)，将其運用在YOLOv4和YOLOv5的檢測頭部分，在VOC2007資料集上的實驗結果表明，運用IPH後的YOLOv4小目标檢測精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。經智能交通檢測資料集進一步檢驗，IPH算法和去下采樣能有效提升小目标檢測精度，減少錯檢和漏檢的情況。
引言：
目标檢測是計算機視覺領域的一項基本任務。随着硬體GPU以及卷積神經網絡(Convolution Neural Networks，CNN)的不斷發展，目标檢測取得了顯著的發展，已廣泛應用于自動駕駛、視覺搜尋、虛拟現實、增強現實等許多應用領域[1]。目前大多數最先進的目标檢測深度學習算法都是基于CNN，主要分為兩大類：兩階段(Two-stage)目标檢測器和單階段(One-stage)目标檢測器。Two-stage檢測器的典型網絡有fast R-CNN[2]、mask R-CNN[3]和faster R-CNN[4]。卷積神經網絡将目标檢測的過程分為兩個步驟，先使用區域生成網絡(Region Proposal Networks，RPN)生成稀疏的候選錨框，然後檢測對象的位置和類别。而One-stage算法則是端到端的目标檢測方法，這類算法直接用一個CNN網絡預測目标的位置和類别，不需要RPN網絡來生成錨框，因而檢測速度更快。One-stage檢測器的典型網絡有SSD[5]和YOLO[6-9]系列模型。
小目标檢測廣泛存在于目标密集圖像和遠距離成像目标圖像中，作為目标檢測的一部分，在現實中有着同樣重要的需求。無論是車牌号檢測、焊縫圖像檢測， 還是無人機航拍圖像，許多場景中都有小目标的存在。但由于小目标像素資訊占比小、紋理特征不明顯，小目标的檢測比大中型目标的檢測更為困難。由此可知， 小目标檢測是目标檢測研究領域中具有重要性和挑戰性的研究方向。
文章來源：《電子技術應用》雜志10月刊
，下載下傳論文PDF
☞商務合作：☏ 請緻電 010-82306118 / ✐ 或緻件 [email protected]
點