基于单阶段网络的微小目标检测算法研究.pdf

摘要

目标检测是计算机视觉中的主要研究方向和基础任务之一，它已被广泛应用于

智慧安防、自动驾驶、医疗检测、卫星遥感、国防军事及航天等领域。随着深度学习

技术的持续进步和不断创新，目标检测的性能得到了显著提升，但对图像中的微小目

标进行有效检测，一直是计算机视觉领域中极具挑战性的难题，主要原因在于小目标

本身尺寸小，包含的像素极少，经神经网络的卷积、池化和下采样等基本操作后能提

取的目标特征信息更少。现有的目标检测算法容易导致小目标漏检或误检。为了提升

微小目标检测性能，本文基于单阶段网络的微小目标检测算法开展了相关研究，主要

的研究内容包括：

（1）针对航拍场景中包含的目标尺寸小，有效特征信息少的问题，本文提出了

一种基于改进的变焦网络VariFocalNet(VFNet)的航拍场景中微小目标检测算法。首

先，为增强微小目标的特征表征能力，采用特征提取性能更好的循环层聚合网络

(RLANet)代替ResNet作为主干网络。其次，为解决特征金字塔自顶向下融合时顶层

特征信息丢失问题，引入特征增强模块(FEM)。然后，为解决现有标签分配方法在微

小目标标签分配上的样本分布不平衡问题，改进的VFNet采用了基于高斯感受野的

标签分配方法。最后，为减小微小目标对位置偏移的敏感性，还引入了一种新的边界

框回归损失函数WassersteinLoss来测量预测边界框高斯分布和真值框高斯分布的相

似性。实验结果表明，改进后的单阶段算法VFNet可以有效缓解小目标漏检问题，

同时显著提高了对小目标的检测精度。

（2）针对特征金字塔网络在进行特征融合时，特征表征能力不足的问题，本文

提出了一种基于特征选择与对齐的微小目标检测算法。首先，为解决FPN中通道数

缩减导致的细节特征丢失问题，引入特征选择模块(FSM)替代传统卷积进行通道压缩，

增强目标的空间细节特征，这更有利于精确定位微小目标。其次，为解决特征错位问

题，引入一个特征对齐模块(FAM)，即通过预测网络内部的语义流动，实现对相邻级

别特征的对齐，从而有效促进特征融合，提升特征的表征能力。实验结果表明，该单

阶段算法可以增强金字塔特征表征能力，有效提升小目标的检测性能。

关键词：微小目标检测；特征金字塔；高斯感受野；标签分配；Wasserstein损失

I

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1传统目标检测算法2

1.2.2基于深度学习的目标检测方法4

1.2.3基于深度学习的小目标检测算法6

1.3研究内容8

1.4论文结构8

2相关理论11

2.1卷积神经网络11

2.1.1卷积层11

2.1.2池化层12

2.1.3激活函数12

2.1.4全连接层13

2.2特征提取13

2.3多尺度特征融合14

2.4标签分配策略15

2.5数据集及算法评价指标16

2.5.1实验数据集16

2.5.2主要性能评价指标18

2.6本章小结18

3基于改进VarifocalNet的微小目标检测算法21

3.1引言21

3.2算法整体结构22

3.3算法具体实现23

3.3.1特征增强模块23

3.3.2基于高斯感受野标签分配策略24

3.3.3损失函数26

3.4实验结果与分析27

3.4.1实验设置27

3.4.2对比实验27