论文部分内容阅读
目标检测技术越来越广泛应用于精确制导,医学图像诊断,自动驾驶,图像搜索引擎等领域。在目标检测的研究中,小目标检测一直是重点和难点问题;在实际应用中,需要在嵌入式环境计算资源有限的情况下,同时满足精度和速度要求,因此,在检测任务中降低计算复杂性和提高计算效率具有重要意义。本文重点研究了快速有效的小目标检测算法和单阶段检测网络的训练方法优化,研究内容如下:
针对小目标在深度卷积网络中的特征信息容易被干扰和丢失问题,同时为了保证检测算法的检测速度,本文在Darknet框架下,提出了基于YOLO的小目标快速检测算法(简记为SOA-Net)。设计半通道特征信息整合结构,提高特征图的前后景区分能力;多尺度卷积级联的特征金字塔结构,更细粒度地完成特征融合,增大特征图的感受野。网络训练阶段,选择鲁棒性更好的指数L1损失,加快消除边界框的定位偏差;focalIOU损失让IOU指导分类损失的权重调节,使训练更关注重要边界框的分类损失,同时让分类损失监督回归分支的调节。实验结果表明,提出的各个优化部分都有助于提升检测网络的性能,该检测网络能够快速且准确地检测出小目标物体。
针对单阶段检测网络中存在的定位精度和正负样本不均衡问题,分析问题存在的原因,提出了目标区域特征增强的辅助训练方法。在训练过程中添加辅助层,引入图像的真实标记信息构建特征值矩阵,与输入特征图运算,根据目标尺寸对目标区域进行不同程度的增强,使网络在训练过程中更加关注目标区域,有助于目标定位和抑制正负样本不均衡现象;借鉴课程学习的思想,在训练过程中逐渐下调影响因子,由易到难地训练网络。此方法仅用于训练过程,不会增加实际检测过程的计算量影响检测速度。基于YOLO检测网络进行了一系列实验,结果表明,在检测网络训练过程中使用本文提出的训练方法,能够有效地提升网络对目标的检测精度。
针对小目标在深度卷积网络中的特征信息容易被干扰和丢失问题,同时为了保证检测算法的检测速度,本文在Darknet框架下,提出了基于YOLO的小目标快速检测算法(简记为SOA-Net)。设计半通道特征信息整合结构,提高特征图的前后景区分能力;多尺度卷积级联的特征金字塔结构,更细粒度地完成特征融合,增大特征图的感受野。网络训练阶段,选择鲁棒性更好的指数L1损失,加快消除边界框的定位偏差;focalIOU损失让IOU指导分类损失的权重调节,使训练更关注重要边界框的分类损失,同时让分类损失监督回归分支的调节。实验结果表明,提出的各个优化部分都有助于提升检测网络的性能,该检测网络能够快速且准确地检测出小目标物体。
针对单阶段检测网络中存在的定位精度和正负样本不均衡问题,分析问题存在的原因,提出了目标区域特征增强的辅助训练方法。在训练过程中添加辅助层,引入图像的真实标记信息构建特征值矩阵,与输入特征图运算,根据目标尺寸对目标区域进行不同程度的增强,使网络在训练过程中更加关注目标区域,有助于目标定位和抑制正负样本不均衡现象;借鉴课程学习的思想,在训练过程中逐渐下调影响因子,由易到难地训练网络。此方法仅用于训练过程,不会增加实际检测过程的计算量影响检测速度。基于YOLO检测网络进行了一系列实验,结果表明,在检测网络训练过程中使用本文提出的训练方法,能够有效地提升网络对目标的检测精度。