基于注意力机制和图像重建的小目标检测算法研究.pdfVIP

摘要

目标检测是计算机视觉领域的重要研究方向，被广泛应用于军事安全、遥感检

测和智慧交通等诸多领域。基于深度学习的目标检测模型在大中型目标检测任务中

已经取得一定的成果，但小目标检测任务中仍然存在着一些挑战。与大中型目标相

比，小目标分辨率低，可利用特征稀少，从而导致检测精度较低。如在无人驾驶、

航拍图像车辆检测等小目标检测的应用场景中，模型难以提取到具有鉴别力的小目

标特征；同时卷积神经网络中卷积和池化等操作容易使得小目标特征丢失，导致小

目标的漏检。因此，提升模型的小目标检测能力对推动目标检测模型的应用落地具

有重要意义。

本文针对小目标检测任务的难点和挑战开展研究，主要研究内容包括：

1．针对图像中的小目标可利用特征少与特征金字塔中不同层级特征图之间不一

致的问题，提出了基于YOLOv5改进的小目标检测模型。该模型通过引入超分辨图

像重建网络对小目标细节信息进行补充，重建后的图像作为检测模块输入；再采用

自适应特征融合来改善特征金字塔中不同尺寸特征的不一致性。实验结果表明，该

模型在COCO数据集上针对小目标的检测精度相较于原有模型有了明显提高。

2．针对在模型中引入图像重建模块带来的检测速度降低问题，提出了一种融合

注意力机制和上下文信息特征增强的小目标检测模型。该模型在特征提取阶段引入

通道注意力和空间注意力，提升模型对小目标特征的提取能力，避免小目标特征信

息丢失；同时通过空洞卷积获取小目标的上下文信息，使用图像中物体上下文关系

增加小目标特征。实验结果表明，该模型在保持检测速度的同时检测精度有所提升。

3．将所提出的融合注意力机制和上下文信息特征增强的小目标检测模型应用于

航拍图像车辆检测任务，针对航拍图像中车辆形状具有多样性和正负样本不平衡问

题，提出融合可变形卷积的航拍图像车辆检测模型。该模型利用可变形卷积中位置

偏移来自适应提取车辆相关特征，采用FocalLoss平衡正负样本在训练损失中的权

重。实验结果表明，该模型对航拍图像中车辆的检测精度有一定提升。

关键词：小目标检测，注意力机制，超分辨重建，YOLO，车辆检测

ABSTRACT

Objectdetectionisanimportantresearchbranchinthefieldofcomputervision,whichis

widelyusedinmanyfieldssuchasmilitarysecurity,remotesensingdetection,and

intelligenttransportation.Deep-learning-basedobjectdetectionmodelshaveachieved

certainresultsinlargeandmediumobjectdetectiontasks,butsmallobjectdetectiontasks

stillfacesomechallenges.Comparedwithlargeandmediumobjects,smallobjectshave

lowresolutionandsparsefeatures,whichleadstolowerdetectionaccuracy.Inthe

applicationscenariosofsmallobjectdetectionsuchasunmanneddrivingandvehicle

detectioninaerialimages,itisdifficultforthemodeltoextractdiscriminativefeaturesof

smallobjects.Atthesametime,convolutionandpoolinginConvolutionalNeural

Networkseasilyleadtothelossofsmallobjectfeatures,resultinginmisseddetectionof

smallobjects.