《低分辨率场景的目标检测研究的文献综述》1300字.docxVIP

低分辨率场景的目标检测研究的文献综述

图像的低分辨率问题是实际项目应用过程中存在的难点之一。采集图像的分辨率过低会产生众多的小目标，进一步加剧目标的多尺度问题，并伴随着目标特征的大量不可逆的丢失，使得训练好的模型在实际场景中精度大幅度下降甚至无法使用[16,60]。一般的检测器往往更关注于提高更简单的大实例的性能，因为一般目标检测的度量是所有尺度的平均精度。为了更好地解决低分辨率小物体的检测问题，国内外研究者开展了大量的研究工作。该工作大体上可以分为两种解决方案：图像级超分辨率（Image-levelsuper-resolution,ILSR）和特征级超分辨率（Feature-levelsuper-resolution,FLSR）。

图像级超分辨率通过补偿小目标丢失的像素信息，提高图像的分辨率，适应通用的目标检测模型。2014年，Dong等人提出了SRCNN[61]，首次将卷积神经网络（CNN）引入了SR问题中，并提高了图像超分辨率的效果。受到这项开创性工作的启发，各种优秀的基于CNN的SR网络体系结构不断提出，不断提高SR的性能[62,63,64]。2016年，Dai等人分析并确认了SR对于其他视觉任务具有正增益，即使不针对其他特定任务的需求进行重新训练，只是简单的级联SR网络和其他视觉任务方法，SR也会提高级联任务的性能[65]。2017年，CLedig等人提出S