首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
高新波,莫梦竟成,汪海涛,冷佳旭.小目标检测研究进展[J].数据采集与处理,2021,36(3):391-417
小目标检测研究进展
Recent Advances in Small Object Detection
投稿时间:2021-04-20  修订日期:2021-05-10
DOI:10.16337/j.1004-9037.2021.03.001
中文关键词:  小目标检测  数据增强  多尺度学习  上下文学习  生成对抗学习  无锚机制
英文关键词:small object detection  data augmentation  multi-scale learning  context learning  generative adversarial learning  anchor-free mechanism
基金项目:国家自然科学基金(62036007,62050175)资助项目。
作者单位邮编
高新波 重庆邮电大学计算机科学与技术学院重庆 400065 400065
莫梦竟成 重庆邮电大学计算机科学与技术学院重庆 400065 400065
汪海涛 重庆邮电大学计算机科学与技术学院重庆 400065 400065
冷佳旭 重庆邮电大学计算机科学与技术学院重庆 400065 400065
摘要点击次数: 722
全文下载次数: 1121
中文摘要:
      小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习的驱动下,小目标检测已取得了重大突破,并成功应用于国防安全、智能交通和工业自动化等领域。为了进一步促进小目标检测的发展,本文对小目标检测算法进行了全面的总结,并对已有算法进行了归类、分析和比较。首先,对小目标进行了定义,并概述小目标检测所面临的挑战。然后,重点阐述从数据增强、多尺度学习、上下文学习、生成对抗学习以及无锚机制等方面来提升小目标检测性能的方法,并分析了这些方法的优缺点和关联性。之后,全面介绍小目标数据集,并在一些常用的公共数据集上对已有算法进行了性能评估。最后本文对小目标检测技术的未来发展方向进行了展望。
英文摘要:
      Small object detection has long been a difficult and hot topic in computer vision. Driven by deep learning, small object detection has achieved a major breakthrough and has been successfully applied in national defense security, intelligent transportation, industrial automation, and other fields. In order to further promote the development of small target detection, this paper makes a comprehensive summary of small target detection algorithms, and makes a reasonable classification, analysis and comparison of existing algorithms. Firstly, this paper defines the small object and summarizes the challenges of small object detection. Then, this paper focuses on the algorithms to improve the performance of small object detection from the aspects of data augmentation, multi-scale learning, context learning, generative adversarial learning, anchor-free mechanism, and analyzes the advantages and disadvantages, and relevance of these algorithms. Finally, this paper looks forward to the future development directions of small object detection.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2276634位访问者 本站今日一共被访问580

技术支持:北京勤云科技发展有限公司