《表4 其他基于深度学习的小目标检测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的小目标检测算法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Zoph等人[86]表示，未来的轻量化模型提取特征的能力必然有限，从数据增强方面入手是增强检测效果的利器，并假设当提出的特征足够好，利用数据增强可以摆脱当前算法严重的数据驱动依赖。Kisantal等人[87]认为，小目标检测精度低主要有两个原因，一是现有公共数据集中含有小目标的图片较少，二是即便图片中含有小目标，但是出现次数少模型训练不充分，针对这点提出了一种过度采样复制粘贴小目标以增强数据的手段。如图10所示，通过复制图像中小目标粘贴到图像中的不同位置，增加了图像中小目标的数量和位置多样性，同时相对应匹配的anchor数目也会增强，从而降低了漏检率，以Mask RCNN算法为基准，在MS COCO数据集上相比未进行数据增强的方法，小目标的检测精度提高了7.1个百分点。除此之外，还有一些学者也提出了一些基于深度学习的小目标检测算法，如表4所示。