基于深度学习的多视窗SSD目标检测方法

被引：80

作者：

唐聪 ^{[1
,2
,3
]}

凌永顺 ^{[1
,2
,3
]}

郑科栋 ^{[4
]}

杨星 ^{[1
,3
]}

郑超 ^{[1
,2
,3
]}

杨华 ^{[1
,2
,3
]}

金伟 ^{[1
,2
,3
]}

机构：

[1] 国防科技大学

[2] 红外与低温等离子体安徽省重点实验室

[3] 脉冲功率激光技术国家重点实验室

[4] 中国人民解放军部队

来源：

红外与激光工程 | 2018年 / 01期

基金：

安徽省自然科学基金;

关键词：

深度学习; 多视窗SSD; 目标检测; 小目标;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TP391.41 [];

学科分类号：

080203 ;

摘要：

提出了一种基于深度学习的多视窗SSD(Single Shot multibox Detector)目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF(Average F-measure)为0.729,m AP(mean Average Precision)为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。

引用

页码：302 / 310

页数：9

共 7 条

[1] 基于深度学习的目标跟踪方法研究现状与展望
罗海波
许凌云
惠斌
常铮
[J]. 红外与激光工程, 2017, 46 (05) : 14 - 20
[2] 利用图像区域自然尺度特征的海面舰船目标检测
何四华
杨绍清
邵晓方
石爱国
[J]. 红外与激光工程, 2011, 40 (09) : 1812 - 1817
[3] Multi-class AdaBoost
Zhu, Ji
Zou, Hui
Rosset, Saharon
Hastie, Trevor
[J]. STATISTICS AND ITS INTERFACE, 2009, 2 (03) : 349 - 360
[4] Facial expression recognition based on Haar-like feature detection
Panning A.
Al-Hamadi A.K.
Niese R.
Michaelis B.
[J]. Pattern Recognition and Image Analysis, 2008, 18 (03) : 447 - 452
[5] Distinctive image features from scale-invariant keypoints
Lowe, DG
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) : 91 - 110
[6] A tutorial on Support Vector Machines for pattern recognition
Burges, CJC
[J]. DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) : 121 - 167
[7] Rapid Object Detection using a Boosted Cascade of Simple Features .2 Viola Paul,Jones Michael. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition . 2001

← 1 →