基于改进Faster R-CNN的空中目标检测 文献阅读笔记

摘要

相比传统图像目标检测算法，基于大数据和深度学习的检测算法无须人工设计特征，且检测性能更稳健。在防空应用背景下，自建了空中目标静态和视频图像数据集用于训练和测试，改进了基于深度学习的目标检测框架Faster R-CNN，将其专用于空中目标检测。结合空中目标检测任务的特点和需求，提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略，弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷，提高了检测速度和精度。实验表明，改进后的Faster R-CNN在应对弱小目标、多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时，均能获得很好的效果。数据集上测试结果的平局准确率均值较改进之前提高了
16.7%，检测速度提高了３倍。

关键词　机器视觉；深度学习；卷积神经网络；空中目标检测
中图分类号　ＴＰ３９１．４１　　　文献标识码　Ａ ｄｏｉ：１０．３７８８／ＡＯＳ２０１８３８．０６１５００４

创新点

1. 创建了内容丰富，格式规范的数据集。
2. 针对Faster R-CNN对弱小目标检测效果差的问题提出了膨胀积累，区域放大策略。
3. 针对Faster R-CNN对目标大面积遮挡时出现检测效果差的问题，提出了局部标注，时空上下文策略。

局部标注

Ｈａｒｅ　Ｓ，Ｇｏｌｏｄｅｔｚ　Ｓ，Ｓａｆｆａｒｉ　Ａ，ｅｔ　ａｌ．Ｓｔｒｕｃｋ：
ｓｔｒｕｃｔｕｒｅｄ　ｏｕｔｐｕｔ　ｔｒａｃｋｉｎｇ　ｗｉｔｈ　ｋｅｒｎｅｌｓ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ
Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１６，３８（１０）：２０９６－２１０９．

借鉴可变性部件模型思想，将目标的局部进行标注使得在部分被遮挡时仍然以通过部分进行类别的定，如兔子有红眼睛和长耳朵，那么即使物体的眼睛目前被遮挡，通过长耳朵特征仍然可以推断这是兔子。
未完…