基于改进FasterR-CNN算法的小目标检测研究
摘要
目标检测是计算机视觉领域中的一个非常重要研究方向。作为目标检测诸多难点之
一，小目标检测大量存在于现实场景中，广泛应用于自动驾驶、智慧医疗、缺陷检测和
航拍图像分析等诸多领域。然而，随着深度学习的进一步发展，目标检测依旧有一些有
待解决的问题在一定程度上影响发展，其中一个难题是对小目标的检测效果欠佳。为了
有效解决小目标检测性能差的问题，本文基于FasterR-CNN算法探讨了小目标检测精
度不高的原因，并选用了三种有效的手段，以提高检测效率和准确性。这三种方法分别
是数据增强、特征融合网络的改进、后处理算法的改进来改进小目标检测算法，并对改
进的效果进行了验证。
(1)利用合适的数据增强方法，解决了小目标的分辨率低、可提取特征少、样本数
量匮乏及分布不均匀等问题。本文用多种单样本数据增强方式和多样本数据增强方式，
在增加小物体样本数量的同时，不仅使小物体特征更加明显，而且一定程度上提高了网
络的抗过拟合能力，并从中选出了4种使得小目标检测准确度提升幅度最大的数据增强
方式。最后实验证明，采用数据增强方式的确能在很大程度上提高小物体的检测精度。
(2)构建了改进特征融合网络，解决了特征融合网络使浅层特征经过的卷积过多的
问题。本文将FPN结构替换为PANet结构，并在结构中加入CBAM注意力模块，不仅
优化了浅层特征在特征融合时的路径，使得有利于小目标检测的浅层特征很好的保留，
而且添加的CBAM注意力机制可以达到选择性的抑制背景的目的。最后实验验证了该
模型在提高小物体检测精度上的有效性。
(3)构建了改进后处理模块，解决了传统NMS算法本身无法获得全局最优解存在
相当程度局限性的问题。本文设计了通过学习去除多余检测框的方式的自注意力后处理
算法，可以对图像中每个目标输出唯一的检测框。自注意力后处理算法首先用DBSCAN
聚类将检测框分为属于不同目标的不同簇。其次，使用自注意力机制将同一目标的检测
框特征信息融合，将融合后的特征信息输入到GRU网络中训练，在检测时对图像中的
目标输出唯一的检测框。最后实验验证了该模型的有效性。
关键词：小目标检测；FasterR-CNN算法；数据增强；特征融合；后处理模块
基于改进FasterR-CNN算法的小目标检测研究
ABSTRACT
Targetdetectionisaveryimportantresearchdirectionincomputervision.Asoneofthe
difficultiesintargetdetection,smalltargetdetectionexistsinalargenumberofrealscenes
andiswidelyusedinmanyfieldssuchasautomaticdriving,intelligentmedicaltreatment,
defectdetectionandaerialimageanalysis.However,withthefurtherdevelopmentofdeep
learning,therearestillsomeproblemstobesolvedinobjectdetection,whichaffectthe
developmenttoacertainextent.Oneproblemisthatthedetectionofsmallobjectsisnot
effective.Inordertoeffectivelysolvetheproblemofpoordetectionperformanceofsmall
targets,thispaperdiscussesthereasonsforlowdetectionaccuracyofsmalltargetsbasedon
FasterR-CN