基于上下文增强和特征提纯的小目标检测网络

作     者：肖进胜 赵陶 周剑 乐秋平 杨力衡 Xiao Jinsheng;Zhao Tao;Zhou Jian;Le Qiuping;Yang Liheng

作者机构：武汉大学电子信息学院武汉430072 测绘遥感信息工程国家重点实验室(武汉大学)武汉430079 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2023年第60卷第2期

页      面：465-474页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金青年科学基金项目(42101448) 中国科学院光电信息处理重点实验室开放课题基金项目(OEIP-O-202009) 

主　　题：小目标检测 上下文增强 特征提纯 空洞卷积 数据增强 

摘      要：微小目标的纹理模糊、包含特征少,是目标检测领域的难点.针对小目标检测提出一种新的上下文增强模块(context augmentation module,CAM)和特征提纯模块(feature refinement module,FRM)相结合的特征金字塔复合结构.利用多尺度空洞卷积的特征融合,补充网络中的上下文信息;引入通道和空间的特征提纯机制来抑制多尺度特征融合后的冲突信息,防止小目标淹没在冲突信息中;同时,引入复制—缩小—粘贴(copy-reduce-paste)的数据增强方法提高小目标的占比,使训练时小目标对损失值的贡献更大,训练更加平衡.由实验结果可知,所提出的算法在VOC数据集上目标检测的平均精度均值(Mean Average Precision,mAP)达到了83.6%(交并比为0.5);对小目标检测的AP值达到了16.9%(交并比为0.5~0.95),比YOLOV4,CenterNet,RefineDet的分别提高3.9%,7.7%和5.3%.在TinyPerson数据集上小目标检测的AP值为55.1%,比YOLOV5,DSFD的分别提高0.8%和3.5%.