杨立功,郑 颖,苏维均,王 强
(北京工商大学人工智能学院,北京 100048)
随着人工智能技术的不断发展,目标检测技术在战场监视、侦察、毁伤状态评估和火控系统研究等军事领域的作用日益显著,它是现代高科技战争中赢得胜利的关键因素[1]。然而,对于坦克装甲目标而言,由于地面战场环境的复杂性以及相对较远的观测距离,利用传统图像目标检测算法在大视场内难以实现对坦克装甲小目标的检测识别和精准定位,而利用深度学习网络解决复杂背景下的小目标检测问题取得了较好效果。
自从深度神经网络算法首次在ImageNet 数据集上大放异彩,目标检测领域开始逐渐利用深度学习进行研究工作。2014 年,Girshick 等人[2]首次提出基于深度学习的区域卷积神经网络(R-CNN)算法,开创了目标检测算法的新时代,可仍存在重复计算的弊端,为了解决R-CNN 冗余计算的问题,He等人[3]与Girshick 等人[4]分别基于R-CNN 提出了空间金字塔池化网络(SPP)和加速区域卷积神经网络(Fast R-CNN)算法,使特征提取器、分类器和边界框回归器在内的整个网络,能通过多任务损失函数进行端到端的训练,这种结合了分类损失和定位损失的方法,很大程度上提升了模型准确度。但由于Fast R-CNN 使用Selective Search 来生成目标候选框,其速度依然达不到实时的要求,于是Ren 等人[5]在Fast R-CNN 的基础上增加了区域建议网络(RPN)和“锚”框,提出了Faster R-CNN 算法,检测速度得到了很大提升。虽然基于目标候选框的检测算法在检测准确率和定位精度上占有优势,但检测速度却很慢,使算法的效率不高,并不适用于本文所提出的小目标检测算法。……