无人机低空航拍图像地面小目标检测算法研究
文献类型：学位论文
| 作者 | 吕晓君 |
| 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 | 向伟 |
| 关键词 | 无人机 深度学习 目标检测 小目标 行人 |
| 学位名称 | 专业学位硕士 |
| 学位专业 | 控制工程 |
| 其他题名 | Research on Detection Algorithm of Ground Small Targets for UAV Low-altitude Aerial Images |
| 英文摘要 | 近年来，无人机凭借其特别适合在极端复杂条件下执行任务的特点受到军民领域的广泛青睐。图像采集是其所能执行的一项重要任务。这些采集的图像一般被用来进行计算机视觉分析，其中目标检测任务是一项重要分支。在摄取的图像中，低空近地图像具有重要的研究价值。因为图像中含有数量众多、分布杂乱的小目标实例。这导致了小目标整体检测精度低、个别目标漏检误检严重以及类间检测效果不平衡这三个突出的问题，解决现阶段无人机低空航拍图像地面小目标检测所面临的困境具有重要的实际价值，故本文针对以上问题开展了相关算法研究工作。在前期工作中，本文首先调研了现阶段常用的目标检测算法，并深入学习了其中的无人机地面小目标检测算法，然后搜集了国内外知名的开源航拍数据集，最后查阅了目标检测领域相关的模型评估指标。在这些工作的基础上拟定了研究方向，实验数据集和实验评估方法，并开始根据问题设计具体的算法。为了解决小目标整体检测精度低的问题，本文在Faster-Rcnn-Resnet_50-FPN的基础上设计了一种名为Detnet_59的新型特征提取网络，设计了一种名为Flat-FPN的新型特征融合网络，首先引入空洞卷积替换传统特征提取网络末端的池化采样层，接着将FPN的下三层采样改为自适应，提升了底层特征图的信息，提高了小目标整体的检测精度。为了解决个别目标漏检误检问题，本文设计了新的名为Softer-Nms的优化抑制算法，首先对于交并比(IoU)大于给定阈值的假阳性预测框设置高斯惩罚函数给予其置信惩罚，接着在边框回归损失函数中引入含有K-L散度的标准差相关项，最后在抑制过程中附加Var Voting环节，同时实现了抑制过程的软间隔化以及分类回归问题之间的解耦合，解决了个别小目标的漏检误检问题。为了解决小目标类间检测效果不平衡的问题，针对行人实例设计了全新的Repulsion Loss，惩罚函数分为吸引项和排斥项两部分，吸引项使得预测框与其所对应的真实目标框距离更小，排斥项使得预测框与周围的其他干扰框的距离更大，在边框回归过程中引入周围环境这一变量。解决了小目标类间检测效果不平衡的问题。所设计的算法都在选定的数据集上进行了整体性能分析和各模块消融实验分析，从实验结果来看，所设计的算法在有效解决给定问题的同时还具有优秀的泛化能力，具有实际意义。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 71页 |
| 源URL | [http://ir.sia.cn/handle/173321/28988]  |
| 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 | 吕晓君. 无人机低空航拍图像地面小目标检测算法研究[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。