隔级融合特征金字塔与CornerNet相结合的小目标检测

赵文清，孔子旭，赵振兵

（1. 华北电力大学 控制与计算机工程学院，河北 保定 071003; 2. 华北电力大学 电气与电子工程学院，河北 保定071003; 3. 复杂能源系统智能计算教育部工程研究中心，河北 保定 071003）

目标检测的目的是使计算机像人类一样，从图像中获取所需要的信息。这对于人眼来说一件很简单的事情，通过观察目标的颜色、形状等特点就能轻易地判定目标的类别及位置；但计算机“看到的”却是一个个的像素值，很难从这些像素值中抽象出目标的特征并确定目标的位置[1]。目标检测技术在日常生活中广泛应用，例如安装摄像头检测可疑人物携带的诸如作案工具等小目标，分析异常行为，从而做到对危险的预判；在智能自动驾驶中，检测前方目标并进行识别，系统作出判断并采取相应措施；在交通视频监控中，车牌、车标等小目标需要准确检测；航拍图片因为拍摄距离比较远而造成目标像素过低等等，这些问题都需要采用目标检测技术，因此，对小目标进行准确快速的检测尤为必要。小目标主要分为绝对小目标(像素低)和相对小目标(相对于原图的长宽比例小)，图像大小为原图像的0.1倍或图像像素低于32×32，即可认定为小目标[2]。

目前主流的目标检测算法主要分为两大类。第1类是双阶段检测方法，代表性算法有Faster R-CNN（towards real-time object detection with region proposal networks）[3]、SPP-Net（spatial pyramid pooling in deep convolutional networks for visual recognition）[4]、Mask R-CNN[5]等。双阶段检测算法首先针对输入图像选择候选区域，然后用卷积对产生的候选区域提取特征，最后对候选区域进行分类和位置回归。……