基于RetinaNet的密集小目标检测算法优化与部署设计_图像与视觉信息处理.docxVIP

PAGE2

基于RetinaNet的密集小目标检测算法优化与部署设计

第一章绪论

1.1研究背景

近年来，无人机航拍技术在城市规划、交通监控、灾害评估等领域得到广泛应用。航拍图像中车辆、行人等微小目标的精准检测，是实现智能化分析的关键前提。

然而，航拍图像具有视角高、覆盖范围广的特点，目标在图像中往往仅占据几十甚至几个像素的区域。这种极端尺度下的目标信息高度稀疏，纹理特征微弱，给检测算法带来巨大挑战。

当前目标检测领域的主流算法，如FasterR-CNN、YOLO系列等，在常规尺度目标上表现优异，但面对密集分布的微小目标时，检测召回率显著下降。这一瓶颈严重制约了航拍图像分析系统的实用化进程。

以交通流量监测为例，航拍图像中一辆轿车在200米高空拍摄时，其像素面积可能不足20×20。现有检测器在此尺度下极易发生漏检，导致车流量统计出现系统性偏差。

RetinaNet通过引入FocalLoss损失函数，有效缓解了正负样本极度不平衡的问题，为密集小目标检测提供了新的技术路径。但其特征金字塔网络在深层特征图上对小目标的表征能力仍显不足。

表1-1密集小目标检测面临的核心问题分析

问题类别

具体表现

产生原因

解决紧迫性

尺度极端化

目标像素面积小于20×20

航拍高度大、目标本身尺寸小

极高

特征稀疏性

深层特征图上目标响应微弱

多次下采样导致空间信息丢失

高

密集分布

目