小目标检测技术研究综述.pdfVIP

中文科技期刊数据库（全文版）自然科学

中文科技期刊数据库（全文版）自然科学

小目标检测技术研究综述

任佳宁陶冶（通讯作者）

辽宁科技大学，辽宁鞍山114051

摘要：目标检测作为计算机视觉领域的核心分支，为众多复杂视觉任务奠定了基石。近年来，随着深度学习技术

的飞速进步，目标识别能力实现了突破性提升，现已广泛渗透至自动驾驶、智慧交通体系、工业智能化以及医疗

影像分析等诸多行业。尽管如此，微小目标识别在图像处理领域仍面临诸多挑战，如像素资源的局限和特征信息

的匮乏，使其成为当下科研的热点与难点。特别是在错综复杂的现实环境中，这些微小目标常遭遇遮挡和尺度波

动等多重考验，无疑为识别工作增添了额外的复杂性。本文回顾了小目标检测算法的发展历程，对现有算法进行

了细致的分类、深入的分析与综合比较。最后，对小目标检测技术的未来趋势进行了展望与探讨。

关键词：目标检测；计算机视觉；小目标；复杂场景

中图分类号：TP37

1研究背景与意义行效率显著提升，然而在精确度上略显不足。主流的

[5][6]

单阶段目标检测方法涵盖了YOLO系列及SSD系列。

1.1背景

鉴于上述情况，科研工作者综合考量了双阶与单步算

随着视觉计算技术的飞速发展，物体识别逐渐成

法的利弊，实施了多样化的优化措施，旨在增强对小

为该领域的核心议题，并成为支撑各类视觉任务的根

尺寸目标识别的效能。

本基石。伴随着深度学习领域的不断挖掘，依托于卷

尽管深度卷积神经网络的迅猛进步在短期内显著

积神经网络架构的目标识别技术实现了突破性发展，

提升了目标检测的效能，然而当前技术在微小目标识

特别是在大型和中型目标的识别领域，已基本实现对

别方面的成效依然难以令人满意。这主要是因为小目

多样化应用场景的全面覆盖。尽管如此，微小目标在

标通常缺乏足够的外观信息，难以与背景或相似目标

现实环境中亦普遍分布，且在遥感图像分析、无人机[7]

区分。图1呈现了主流算法在公开数据集MSCOCO

定位、自主驾驶技术、医疗影像判读、面部辨识等众SL

上的检测成效，其中首列列出算法名称，AP与AP分

多领域扮演着不可或缺的角色。微小目标因其体积细

别代表小目标和大目标的平均准确度。显而易见，图

微、图像数据匮乏，往往引发目标轮廓模糊、细节特

像揭示了微小目标与庞大目标在检测效能上的巨大鸿

[1]

质不明显，进而阻碍了小目标识别效能的进一步优化。

沟，通常情况下，微小目标的检测效能仅能达到庞大

在深度学习架构中，针对