论文部分内容阅读
小目标检测是目标检测领域比较有挑战性的一个研究方向。小目标由于分辨率低而缺乏辨别性的细节特征,容易和背景混淆,因而难以被正确检测。在实际应用场景中,小目标是制约目标检测算法性能的主要原因,针对小目标的检测存在很大的提升潜力和空间。本文主要针对小目标检测问题,研究了相关技术问题和算法,并设计了一个混合多尺度的超分辨率算法,将其应用于小目标检测,以提升小目标的检测效果。通过研究和实验发现,目标检测算法在特定数据集上存在有效检测范围和最佳检测区间。FaceBoxes人脸检测模型在WIDER FACE数据集上的有效检测范围是尺度(边框高度的像素值)大于32像素的目标,最佳检测区间是尺度在64像素左右的目标。检测范围之外的小目标存在多个尺度,将其放大到最佳检测区间是一个多尺度放大的问题。因此,本文提出了混合多尺度的超分辨重建算法MSSR,支持对不同尺度小目标进行超分辨率重建,使其落入到检测范围之内,并通过生成对抗网络将MSSR算法应用于目标检测,其中,MSSR作为生成器。在FaceBoxes检测结果的基础上,MSSR对初步检测结果中尺度小于32像素的小目标候选区域,通过超分辨率重建放大到最佳检测区间,然后再进入判别器网络进一步检测。该算法实际上是对One-Stage检测算法FaceBoxes的Two-Stage扩展。实验结果表明,基于MSSR的小目标检测算法能够在基准模型FaceBoxes的基础上,提高了WIDER FACE公开数据集的多个任务的平均精确率,尤其是在Hard任务上,平均精确率从0.598提高到了0.772,明显提升了小目标的检测效果。