基于Faster-RCNN的昆虫小目标检测研究

易 星

（沈阳化工大学信息工程学院，辽宁沈阳 110142）

目标检测是计算机视觉中较为热门的研究方向，主要包含相关的目标定位和识别.目标检测准确来说是在复杂背景的图像中找到目标并进行边框标注以及识别出目标的类别［1］.检测效果对图像的语义理解和目标重识别有直接影响，当前目标检测已经广泛应用于医学图像分析及检测和监控系统中，因此展开目标检测研究对科技的发展有重要意义.

小目标检测［2］是目标检测中的一类分支，相比于常规图像的检测，小目标检测所需的技术和算法更严格.所谓小目标就是图像中占比像素更少，提供的特征信息也相对较少，通常只有几十个像素，如图1（a）为小目标数据集，图1（b）为检测结果，本次实验数据所包含的都是昆虫标本图像，所以研究小目标检测是非常有意义的，尤其对目前安防、交通、救援等方面［3］有重要的应用价值.

图1 昆虫标本图像

Krizhevsky等人［4］提出AlexNet是在2012年，利用ImageNet 在图像分类上取得了突破性成果，在这之后，很多从事计算机视觉任务的研究者利用深度学习和卷积神经网络来进行目标检测、图像分割等任务，并取得了不错的效果.相较于传统的目标检测方法，深度学习的检测方法具有更高的检测精度以及特征提取充分等优点.因此，深度学习方法被科研工作者应用于各个领域.当前大多数的视觉任务基本都是围绕CNN 来开展的.但是，深度学习在小目标任务检测上所达到的效……