[发明专利]一种基于深度学习的小目标物体检测方法

说明书

本发明公开了一种基于深度学习的小目标物体检测方法，该检测方法可以克服现有的小目标物体检测方法中检测效率不足和准确率低等问题。首先，基于COCO数据集提取出不包含小目标物体的图像，对图像尺寸进行调整后进行拼接，将拼接图像和COCO数据集中含有小目标对象的图像组成新的数据集，并按4：1的比例将数据集分成训练集和测试集；然后，修改Faster‑RCNN的基础特征提取网络进行特征融合；接着，将进行融合之后的每层级融合特征通过RPN网络进行候选区域选择；再，用训练集对改进后的网络进行训练，得到训练模型；最后，将测试集输入到训练好的模型进行目标检测。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于深度学习的小目标物体检测方法。

背景技术

目标检测是结合了目标定位和识别两个任务的一项基础计算机视觉任务，它的目的是在图像的复杂背景中找到若干目标，对每一个目标给出一个精确的目标边框并判断该边框中目标所属的类别。目标检测技术在人民的日常生活中有着广泛的应用，如目标跟踪与识别、人脸识别、文字检测、行人检测、医疗诊断、智能监控系统等，作为一项基础任务，目标检测近几年的飞速发展推动了其他视觉任务的进步。虽然基于深度学习的方法在通用的目标检测数据集上取得了很好的效果，但是它们仍然不能很好地解决小目标检测这一问题。主要原因是小目标检测存在两个问题：

(1)信息量匮乏，即目标在图像中占比非常小，对应区域的像素所能反映出的信息量非常有限。

(2)数据量稀缺，即数据集中含有小目标的图像少，导致了整个训练集的类别不均衡。比如在COCO数据集中，虽然小物体对象、中等物体对象和大型物体对象的大致占比分别为42％，34％和24％，但是大概只有52％的图像中包含小物体，而中等物体和大型物体对象的比例分别为71％和83％。换句话说，在一些图像中，大多数对象都是小物体，而只有一半的图像含有小物体，严重的影响了训练过程中不平衡性，导致小目标物体检测的准确率远低于中等和大型物体。

小目标不仅少量存在于一般图像中，还广泛存在于无人机摄像头、通信基站摄像头以及其他一些架设高度较高的图像捕获装置所拍摄的图像中，研究小目标检测对于分析和利用这些图像非常重要。因此，现有技术需要进一步改进和完善。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的小目标物体检测方法。

本发明的目的通过下述技术方案实现：

一种基于深度学习的小目标物体检测方法，该检测方法主要包括如下具体步骤：

步骤S1：基于COCO数据集提取出不包含小目标物体的图像，对图像尺寸进行调整后进行拼接，将拼接图像和COCO数据集中含有小目标对象的图像组成新的数据集，并按4：1的比例将数据集分成训练集和测试集。

步骤S2：修改Faster-RCNN的基础特征提取网络进行特征融合。

步骤S3：将进行融合之后的每层级融合特征通过RPN网络进行候选区域选择。

步骤S4：将训练图像输入到改进的网络中进行训练，根据目标分类和回归构建损失函数。

步骤S5：重复选取训练图片，直到损失函数收敛并保存训练模型。

步骤S6：将测试集输入到训练好的模型中进行测试。

进一步的，所述步骤S1中，将COCO数据集中不包含小目标物体的图像进行尺寸调整，并将调整后的图像进行拼接；目的是为了减轻训练过程中目标物体大小的不平衡性问题，拼接图像大小与常规图像大小相同，通过这种方式，把大型物体和中等物体缩小成中等物体和小物体，均衡了不同尺度的物体在训练过程中的分布。