低分辨率下小物体检测技术研究

摘要

伴随人类社会进入二十一世纪，各种海量数据累积以及计算能力的大幅提高促使深度学习技术迅猛发展。深度学习已经在图像识别、检测、生成等诸多图像领域取得突破进展，其中物体检测技术在工业生产、公共交通、医疗卫生等领域获得广泛运用，促进了生产生活的智能化进程。低分辨率下的小物体检测在城市交通、工业生产、大众娱乐等领域具有无穷潜力。 现有的目标检测技术大多关注大目标，高清晰率的物体，其检测技术成熟具有较好的检测效果，但低分辨率的小物体检测中由于物体尺度太小和低分辨率的特点导致其依然是一个计算机视觉研究领域的一大挑战。本文以现有的深度学习方法为基础，为解决低分辨下小物体检测问题为出发点，进行低分辨率下小物体检测技术研究。主要工作包括数据集的构建、检测算法的构建与改进两个方面。 一方面，本文就现有目标检测数据集进行分析，发现现有的数据集大多是针对大物体、高分辨率的检测任务，无法满足本文的研究需求，本文采取从现有的公共数据集中抽取部分低分辨率的小物体数据，使用手工标注的方式建立构建了符合本文研究需要的十种小物体数据集SmallObjects-10，并使用人工合成的手段扩充数据集。 另一方面，本文基于SmallObjects-10数据集使用通过引入图像上下文信息、改变候选区域生成策略、超分辨率等思路设计三种不同的深度神经网络算法进行检测识别，通过实验验证这些方法的有效性并对不同算法检测的速度、准确率进行比较，分析其优劣性。 综上，本文通过使用深度学习方法对低分辨率下小物体进行检测和识别技术研究充分说明了深度学习在低分辨率下小物体检测和识别可行性和优势，并且通过对数据扩充的方法提高检测的准确性充分说明人工扩充手段的有效性。

目录

第一章 绪 论

1.1 研究工作的背景与意义

1.2 低分辨率下小物体检测的国内外研究历史与现状

1.3 低分辨率下小物体检测技术研究难度

1.4 本文的主要贡献

1.5 本论文的结构安排

第二章 小物体检测传统算法介绍

2.1 基于传统机器学习方法的检测技术

2.1.1 基于HOG特征和SVM的检测

2.1.2 基于Harr特征算子和Adaboost的检测

2.2 基于深度学习方法的检测技术

2.2.1 深度神经网络相关知识

2.2.2 基于深度学习两阶段检测技术

2.2.3 基于深度学习单阶段检测技术

2.3 本章小结

第三章 低分辨率下小物体检测数据集构建

3.1 物体检测数据集分析

3.1.1 数据集规模

3.1.2 数据集特点

3.2 数据集构建

3.2.1 Coco 2017数据获取

3.2.2 手工标注图像

3.3 数据集处理

3.3.1 数据扩充

3.3.2 数据集划分

3.4 本章小结

第四章 基于深度学习的低分辨下小物体检测算法

4.1.1 检测任务

4.1.2 检测框架

4.2 基于滑窗机制的检测算法

4.2.1 检测流程

4.2.2 网络结构分析

4.2.3 网络训练

4.3.1 图像上下文信息

4.3.2 检测网络

4.4.1 Faster R-CNN算法简介

4.4.2 基于Faster R-CNN的改进算法

4.5 本章小结

第五章 低分辨率下小物体检测实验

5.1 实验环境

5.2.1 检测效果

5.2.2 评价标准

5.3 图像增广效果实验

5.4 图像上下文信息融合效果实验

5.4.1 基于滑窗的上下文融合验证实验

5.4.2 改进Faster R-CNN中的上下文融合验证实验

5.5 改进候选区域生成效果实验

5.5.1 不同特征层和候选区域大小比较实验

5.5.2 RPN中使用特征融合比较实验

5.6 超分辨效果实验

5.7 不同模型对比分析

5.7.1 检测效果分析

5.7.2 运行时间对比分析

5.8 本章小结

第六章 全文总结和展望

6.1 工作总结

6.2 研究展望

致谢

参考文献

攻硕期间取得的研究成果