深度学习中的单阶段小目标检测方法综述

随着深度学习的不断发展，目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测算法中，基于深度学习的单阶段目标检测算法因其网络结构较简单、运行速度较快以及具有更高的检测效率而被广泛运用。但现有的基于深度学习的单阶段目标检测方法由于小目标物体包含的特征信息较少、分辨率较低、背景信息较复杂、细节信息不明显以及定位精度要求较高等原因，导致在检测过程中对小目标物体的检测效果不理想，使得模型检测精度降低。针对目前基于深度学习的单阶段目标检测算法存在的问题，研究了大量基于深度学习的单阶段小目标检测技术。首先从单阶段目标检测方法的Anchor Box、网络结构、交并比函数以及损失函数等几个方面，系统地总结了针对小目标检测的优化方法；其次列举了常用的小目标检测数据集及其应用领域，并给出在各小目标检测数据集上的检测结果图；最后探讨了基于深度学习的单阶段小目标检测方法的未来研究方向。

http://fcst.ceaj.org/CN/abstract/abstract2963.shtml

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DLODS” 就可以获取《深度学习中的单阶段小目标检测方法综述》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源