论文部分内容阅读
在计算机视觉领域中，小目标检测一直都是一个十分具有挑战性的任务，主要原因在于小目标只包含有限的像素和极少的信息。目前基于深度学习的小目标检测算法已经有了很多初步的探索，但是如何利用小目标有限的像素和信息来获取小目标精确的定位和识别，这依旧是一个难题。然而，小目标检测的应用在民用、军事、安防等各个领域是十分常见的，比如无人机航拍时对地面的行人、车辆的检测，地面对空中监控时对无人机、飞鸟的检测等等。近些年来，随着无人机技术的急速发展，无人机已经被广泛应用于商业和娱乐等领域。无人机在带来极大便利的同时，也在侵犯着个人隐私，甚至会威胁到民航的安全。因此，无人机检测是小目标检测应用中一个非常值得研究和探讨的任务。
目前对于小目标检测算法的研究大都是在目标检测算法基础之上开展的。因此，本文对已有的目标检测算法分析和探讨后，首先提出了一个新的网络Deeper SSD，利用同时上采样和下采样来提高小目标检测的精度。其次，本文考虑到anchor的限制，又提出了一种anchor free的方法来检测小目标。此外，本文还将提出的检测算法应用到了无人机检测上。本文的主要工作如下：
（1）本文对经典的基于anchor和anchor free的目标检测算法分别进行了详细的探讨和实验对比分析。此外，本文还将这些经典算法应用到了无人机检测上，并对比分析了它们的实验结果。
（2）本文提出了一个新的网络框架Deeper SSD来提高特定的小目标无人机的检测精度。此外，本文对 Deeper SSD 网络采用同时上采样和下采样的方法来进一步提高无人机的检测精度。在我们设计的无人机数据集上，本文对 Deeper SSD 和它的变种网络进行了定量定性的分析。
（3）本文提出了一种anchor free的方法来检测无人机。针对目前的基于anchor的目标检测方法所遇到的问题，本文彻底抛弃anchor，采用逐像素预测的方式来预测无人机的边界框。相比较于基于anchor的目标检测器，本文提出的方法更加具有鲁棒性，可以自适应的预测目标边界框；相比较于其他的anchor free的目标检测器，本文提出的方法获得了更加好的精确率和召回率。
目前对于小目标检测算法的研究大都是在目标检测算法基础之上开展的。因此，本文对已有的目标检测算法分析和探讨后，首先提出了一个新的网络Deeper SSD，利用同时上采样和下采样来提高小目标检测的精度。其次，本文考虑到anchor的限制，又提出了一种anchor free的方法来检测小目标。此外，本文还将提出的检测算法应用到了无人机检测上。本文的主要工作如下：
（1）本文对经典的基于anchor和anchor free的目标检测算法分别进行了详细的探讨和实验对比分析。此外，本文还将这些经典算法应用到了无人机检测上，并对比分析了它们的实验结果。
（2）本文提出了一个新的网络框架Deeper SSD来提高特定的小目标无人机的检测精度。此外，本文对 Deeper SSD 网络采用同时上采样和下采样的方法来进一步提高无人机的检测精度。在我们设计的无人机数据集上，本文对 Deeper SSD 和它的变种网络进行了定量定性的分析。
（3）本文提出了一种anchor free的方法来检测无人机。针对目前的基于anchor的目标检测方法所遇到的问题，本文彻底抛弃anchor，采用逐像素预测的方式来预测无人机的边界框。相比较于基于anchor的目标检测器，本文提出的方法更加具有鲁棒性，可以自适应的预测目标边界框；相比较于其他的anchor free的目标检测器，本文提出的方法获得了更加好的精确率和召回率。