摘要: 小目标检测是计算机视觉目标检测领域的一个重要问题，具有广泛的应用前景。然而，小目标通常具有低对比度、低分辨率和复杂背景等特征，这使得现有的目标检测方法在处理小目标时效果不佳，所以研究如何高效准确地检测小目标具有重要意义。通过使用深... 展开 小目标检测是计算机视觉目标检测领域的一个重要问题，具有广泛的应用前景。然而，小目标通常具有低对比度、低分辨率和复杂背景等特征，这使得现有的目标检测方法在处理小目标时效果不佳，所以研究如何高效准确地检测小目标具有重要意义。通过使用深度学习技术进行改进，可以有效地提高小目标检测的准确性，这将推动小目标检测技术的进一步发展，并为实际应用提供更好的效果和体验。 本文针对基于深度学习的小目标检测问题展开研究。首先，介绍了目标检测的基本概念和常用模型，着重分析了双阶段目标检测器FasterR-CNN和单阶段目标检测器YOLOv5。其次，分别对这两个模型进行了改进。最后，通过实验结果对比分析，验证了所提出方法的有效性和优越性。本文的主要工作如下： 针对双阶段目标检测器FasterR-CNN，为解决小目标特征提取困难的问题，研究过程中对FasterR-CNN采用了ResNet50和VGG16作为骨架网络。在原有的模型基础上使用一种改进的IoU算法来解决正负样本不平衡的问题，同时引入FPN特征融合网络来提高检测器的多尺度检测能力。在实验过程中，使用了迁移学习的方法来对改进后的FasterR-CNN模型进行训练，并对模型在小目标检测方面的性能进行了评估。实验结果表明，相对于原始模型，在基于ResNet50和VGG16的架构下，改进后的FasterR-CNN模型mAP分别提升了9%和7.4%，这表明改进方法能够有效地提升模型的小目标检测性能。 针对单阶段目标检测器YOLOv5，该模型在目标较大的情况下识别效果较好，但是对于小目标检测，容易出现漏检、误检的现象。因此在模型中添加了SPD模块，用于提高小目标的检测率。SPD扩大了卷积核的感受野，使得网络能够更好地捕捉图像中的细节信息。除此之外，又添加了CBAM机制，CBAM能自适应地计算通道和空间的注意力权重，从而提取图像中重要的特征信息，更好地区分目标和背景。在VisDrone数据集上对改进后的模型进行了训练和测试。实验结果表明，相对于原有的YOLOv5模型，采用SPD和CBAM方法能够更好地关注有用的特征，从而提高小目标的检测准确率，相较于原有YOLOv5模型mAP指标提升了4.6%。 收起