DF-SSD:一种基于反卷积和特征融合的单阶段小目标检测算法

王良玮，陈 梅，李 晖，李焕军，施 若，戴震宇

(1.贵州省先进计算与医疗信息服务工程实验室(贵州大学计算机科学与技术学院)，贵州 贵阳 550025；2.航天江南集团有限公司，贵州 贵阳 550009； 3.贵州联科卫信科技有限公司，贵州 贵阳 550001)

0 引 言

目标检测[1-3]是计算机视觉中最重要也是最具挑战性的领域之一，也是计算机视觉和图像处理的一个热门方向，被广泛应用于人脸检测[4]、车辆检测、自动驾驶[5-6]、安全系统、医疗领域和工业质检等，由于其可靠性和可持续工作性，对目标检测算法的研究具有较高的现实意义。小目标由于尺寸小、分辨率低、边缘模糊、抗干扰能力弱等问题，容易造成漏检误检，如何提高小目标物的检测准确率也成为了改进目标检测算法的瓶颈问题。

近几年来，目标检测算法研究取得了很大的突破。目标检测算法可分为two-stage和one-stage这2种，其中two-stage算法是基于Region Proposal算法，将检测问题分为2个部分，首先由算法产生一系列作为样本的目标候选框，然后通过卷积神经网络进行样本分类，具有较高的准确率，但是预测速度较慢。该类算法整体检测准确率较高，但是由于小目标物尺寸较小的特点，使得其在一定深度的网络上会丢失大量边缘信息，增加了漏检率。常见的two-stage算法[7]有R-CNN[8-9]、Fast R-CNN、Faster R-CNN[10]等。One-stage算法不需要Region Proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。常见的one-stage算法有Yolo[11]、SSD[12]等。SSD相对Yolo实现了进一步的改进，使用多特征层实现目标检测，但是SSD仅用浅层的conv4_3来检测小目标，语义信息不够丰富，小目标物的检测准确率仍有待提升。……