计算机工程

作者：曹健, 陈怡梅, 李海生, 蔡强

单位：1. 北京工商大学 计算机学院, 北京 1000482. 食品安全大数据技术北京市重点实验室, 北京 100048

关键词：小目标检测,深度学习,数据增强,特征融合,检测精度

基金：国家自然科学基金(61877002); 国家自然科学基金(62277001); 北京市自然科学基金-丰台轨道交通前沿研究联合基金项目(L191009); 北京市教委-市自然科学基金委联合资助项目(KZ202110011017)

复杂道路场景下的小目标检测能够提高车辆对于周边环境的感知能力，是计算机视觉和智慧交通领域的重要研究方向。随着深度学习技术的发展，将深度学习方法与道路小目标检测相结合能够有效提高检测精度，使车辆快速对周边环境做出反应。从经典及最新的道路小目标检测的研究成果出发，给出小目标的两种定义方式，分析造成道路小目标检测困难的原因，阐述数据增强、多尺度策略、生成超分辨率细节信息、加强上下文信息联系、改进损失函数等5类基于深度学习的提高道路小目标检测精度的优化方法，总结归纳各类方法的核心思想及目前国内外最新的研究进展。介绍常用于道路小目标检测的大型和公共数据集，提供相应的用于评估小目标检测性能的指标，对比分析各类方法在不同数据集上的性能检测结果，指出道路小目标检测研究目前仍存在的问题，并结合这些问题从多个角度对其未来研究方向进行展望。

来源：2023年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第10期