[发明专利]一种基于faster-RCNN提高小目标检测效果的方法

说明书

本发明公开了一种基于faster‑RCNN提高小目标检测效果的方法，属于目标检测领域。本发明包括：获取数据集，并按照相应比例划分成训练集及测试集；构建faster‑RCNN模型；利用训练集对模型进行训练，在训练时，若在第n次迭代中，小目标的loss值达到了预设条件，则在第n+1次迭代中，将多张图片进行缩小，然后拼接成原图大小，再进行训练；在训练结束后，利用测试集对模型进行测试，得到AP值，若小于设定的阈值，则修改相应参数，重新训练，直到模型的小目标AP值达到设定的阈值；利用训练好的模型进行小目标的检测。本发明能够使小目标的分布更加均匀，进而提高小目标训练的充分度，从而提高小目标的检测精度。

技术领域

本发明涉及目标检测领域，尤其涉及一种基于faster-RCNN提高小目标检测效果的方法。

背景技术

目标检测即找出图像中所有感兴趣的物体，包含物体定位和物体分类两个子任务，同时确定物体的类别和位置。目标检测是计算机视觉的一个热门研究方向，广泛应用于自动驾驶、智能工业检测、智能监控等诸多领域，通过利用计算机视觉，自动对图片进行处理，减少了人力劳动，具有很强的现实意义。

因此，目标检测算法成为近年来的研究热点。近期，比较流行的目标检测算法有两类，一种是One-Stage的目标检测算法，主要有YOLO算法、SSD算法；另一种是Two-Stage的目标检测算法,如faster-RCNN。

然而，目标检测在实际的应用中，往往出现小目标的检测效果远不如大目标和中目标。小目标的AP值要比中目标和大目标的AP值低10％到20％，这说明小目标的检测效果不理想。在COCO数据集中，小目标指的是区域面积小于32*32像素，中目标指的是区域面积大于32*32像素且小于96*96像素,大目标指的是区域面积大于96*96像素。

COCO数据集是大型的，与目标检测相关的数据集。在COCO数据集中，经统计发现，在所有的检测框中，有41％的检测框是小目标，然而却只有52％的图片中包含了小目标。与之相比，有73％的图片包含中目标，有83％的图片包含大目标。这也就说明了，小目标的数量很多，但分布远不及中目标和大目标均匀。

在实验中，小目标的loss较低，这说明对小目标的训练不够充分。因此可以猜测，由于小目标的分布不均匀，导致小目标的loss较低，进而使得小目标训练不够充分，从而导致小目标的检测效果差。

同时，目标检测在实际的应用中，往往出现小目标的检测效果远不如大目标和中目标。小目标的AP值要比中目标和大目标的AP值小10％到20％，这说明小目标的检测效果不理想。

现有的目标检测算法，如SSD算法、faster-RCNN算法、YOLO算法，小目标的检测效果远不如大目标和中目标的问题还没有一种普适、可靠的算法来解决。

发明内容

本发明的目的是提供一种基于faster-RCNN提高小目标检测效果的方法，解决小目标检测效果不好的问题，能够提高小目标的检测精度。

本发明解决其技术问题，采用的技术方案是：一种基于faster-RCNN提高小目标检测效果的方法，包括如下步骤：

步骤1、获取数据集，并按照相应比例将数据集划分成训练集及测试集；

步骤2、构建faster-RCNN模型；

步骤3、利用所述训练集对构建的faster-RCNN模型进行训练，在对模型进行训练的过程中，如果在第n次迭代中，小目标的loss值如果达到了预设条件，那么在第n+1次迭代中，将多张图片进行缩小，然后拼接成原图大小，再进行训练；

步骤4、在训练结束后，利用所述测试集对模型进行测试，得到AP值，若得到的AP值小于设定的阈值，则修改相应参数，重新训练，直到模型的小目标AP值达到设定的阈值；