基于深度学习的无人机视角车辆小目标辅助检测及应用研究
文献类型：学位论文
| 作者 | 陈兆凡 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 赵春阳 |
| 关键词 | 小目标检测 高分辨率骨干网络 SIoU边框回归损失 |
| 学位名称 | 硕士 |
| 学位专业 | 模式识别与智能系统 |
| 其他题名 | Research on Vehicle Small Object Assisted Detection and Application Based on Deep Learning in UAV Perspective |
| 英文摘要 | 近年来随着深度学习技术的快速发展，目标检测领域涌现出众多优秀的检测算法，在侦察、安防、医疗、交通等应用场景中发挥着重要的作用。但小目标检测任务由于目标尺寸小、信息量少、特征提取困难等问题依旧是个严峻的挑战，而小目标检测除了在军事领域中具有早发现早打击，获取战场先决地位的战术意义外，在民用诸多领域也具有重要的研究价值和广阔的应用场景。本课题面向无人机载平台车辆等小目标辅助检测需求，设计实现小目标检测算法，满足低成本、低功耗、小型化、实时性嵌入式实现要求。基于背景本文进行了如下研究：1、无人机视角车辆等小目标检测算法研究，2、面向低成本、低功耗、小型化和实时性要求的小目标检测算法优化研究，3、基于嵌入式AI平台的小目标检测算法实现研究。在研究过程中的主要工作与创新点总结如下：1）针对小目标在特征提取、位置回归等检测过程中的缺陷，提出了SHR(SIoU Loss and High Resolution Small Object Detection)小目标检测算法。SHR算法基于空间细节信息对小目标检测的重要性设计了一种增强浅层特征提取的HR-ResNet高分辨率特征提取网络，并针对小目标位置回归敏感问题提出了SIoU位置回归损失函数，增强了算法对小目标的关注度。实验验证SHR算法在精度上提升明显，但复杂度较高，检测速度无法满足实时检测需求，需进一步优化。2）针对嵌入式实时应用需求进行了算法优化研究工作。首先在模型训练过程中，采用了图像分块预处理与多尺度数据增强方法提升了图像细节信息获取与算法泛化性能，其次在SHR算法基础上采用轻量化骨干网络并裁切冗余结构降低算法复杂度，提出了适于嵌入式实现的SHR-tiny小目标检测算法。3）面向嵌入式实现需求，选取了低成本、低功耗、小型化、高算力的昇腾AI嵌入式进行了SHR-tiny小目标检测算法的实现工作。实验验证SHR-tiny小目标检测算法的推理速度达到了20.3FPS，实现了实时目标检测任务需求。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 75页 |
| 源URL | [http://ir.sia.cn/handle/173321/28951]  |
| 专题 | 沈阳自动化研究所_光电信息技术研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 陈兆凡. 基于深度学习的无人机视角车辆小目标辅助检测及应用研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。