文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223161
中文引用格式： 安鶴男，鄧武才，管聰，等. 基于Involution Prediction Head的小目標檢測算法[J].電子技術應用，2022，48(11)：19-23.
英文引用格式： An Henan，Deng Wucai，Guan Cong，et al. Small object detection algorithm based on involution prediction head[J]. Application of Electronic Technique，2022，48(11)：19-23.
0 引言
目標檢測是計算機視覺領域的一項基本任務。隨著硬件GPU以及卷積神經(jīng)網(wǎng)絡(Convolution Neural Networks，CNN)的不斷發(fā)展，目標檢測取得了顯著的發(fā)展，已廣泛應用于自動駕駛、視覺搜索、虛擬現(xiàn)實、增強現(xiàn)實等許多應用領域[1]。目前大多數(shù)最先進的目標檢測深度學習算法都是基于CNN，主要分為兩大類：兩階段(Two-stage)目標檢測器和單階段(One-stage)目標檢測器。Two-stage檢測器的典型網(wǎng)絡有fast R-CNN[2]、mask R-CNN[3]和faster R-CNN[4]。卷積神經(jīng)網(wǎng)絡將目標檢測的過程分為兩個步驟，先使用區(qū)域生成網(wǎng)絡(Region Proposal Networks，RPN)生成稀疏的候選錨框，然后檢測對象的位置和類別。而One-stage算法則是端到端的目標檢測方法，這類算法直接用一個CNN網(wǎng)絡預測目標的位置和類別，不需要RPN網(wǎng)絡來生成錨框，因而檢測速度更快。One-stage檢測器的典型網(wǎng)絡有SSD[5]和YOLO[6-9]系列模型。
小目標檢測廣泛存在于目標密集圖像和遠距離成像目標圖像中，作為目標檢測的一部分，在現(xiàn)實中有著同樣重要的需求。無論是車牌號檢測、焊縫圖像檢測， 還是無人機航拍圖像，許多場景中都有小目標的存在。 但由于小目標像素信息占比小、紋理特征不明顯，小目標的檢測比大中型目標的檢測更為困難。由此可知， 小目標檢測是目標檢測研究領域中具有重要性和挑戰(zhàn)性的研究方向。
本文詳細內(nèi)容請下載：http://m.jysgc.com/resource/share/2000004999。
作者信息：
安鶴男1，鄧武才1，管 聰2，姜邦彥2
(1.深圳大學 電子與信息工程學院，廣東 深圳518000；2.深圳大學 微納光電子學研究院，廣東 深圳518000)
