基于深度学习的小目标检测算法综述

由于小目标分辨率低、携带的信息少,现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题,以基于深度学习的目标检测为切入点,系统总结了基于深度学习的目标检测代表算法,并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总,介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题,对未来目标检测领域发展趋势进行了预测与展望。     

基于DeepPose和Faster RCNN的多目标人体骨骼节点检测算法

近年来,随着计算机视觉技术的不断发展,深度学习技术在人体关节节点检测中得到了很好的应用。但是由于人体关节结构复杂,关节之间存在相互依赖的关系和互相遮挡的问题,因此人体骨骼节点检测依然是一个极具挑战的任务。传统的模型难以预测多个目标的骨骼节点,为了解决这个问题,提出一种基于Faster RCNN和DeepPose相结合的方法,首先通过Faster RCNN检测出包含人体的感兴趣区域,并将该区域作为改进的DeepPose算法的输入,使其能够处理多目标关节节点检测的问题。实验表明,该算法在MPII数据集的手腕、膝盖两种关键节点检测上均取得最好结果,比之前的最好结果各提升1.2%和0.3%,在全部的关键节点检测上PCKh为87.6%。