慧视小目标识别算法 解决目标检测中的老大难问题

 

随着深度学习和人工智能技术的兴起与技术成熟，一大批如Faster R-CNN、Retina Net、YOLO等可以在工业界使用的目标检测算法已逐步成熟并进入实际应用，大多数场景下的目标检测问题都能得到解决。

但其中弱小目标检测性能差的问题仍十分显著，并没有出现较为有效的针对弱小目标检测的技术手段和方法，使得弱小目标检测的性能成为了制约整体检测器性能的瓶颈。

弱小目标通常指图像中像素面积小于32*32的物体，其检测的核心难点主要有以下几个方面：

1.目标本身像素面积小：rgb信息少导致包含的判别性特征过少；

2.训练用数据集不平衡：大多数开源数据集中弱小目标的占比少，存在较为严重的图像级不平衡；

3.干扰情况严重：在有限的图像数据中，小目标通常存在不同程度的遮挡、模糊、不完整现象，导致目标小的基础上，还很难进行检测；

4.大、小目标是相互影响的，算法过度关注小目标，则大目标可能因为缺少关注而损失性能。

为了解决这一难题，慧视光电的算法工程师们也绞尽了脑汁，最终给出了小目标识别算法的方案，其基本的解决思路是：

1、加强目标特征；

2、数据增广；

3、放大输入图像；

4、使用高分辨率的特征；

5、设计合适的标签分配方法，以让小目标有更多的正样本；

6、利用小目标所处的环境信息或者其他容易检测的物体之间的关系来辅助小目标的检测；

 

上述方法的共性都是要增加小目标的训练样本数量，放大图像或特征使小目标变为大目标，增加小目标的正样本数量。

经过不断的测试验证，慧视光电推出的小目标识别算法已经在RV1126、RK3588等图像处理板上有着稳定的表现。

随着目标识别算法和相关技术的不断延伸发展，相信在不远的未来会有突破性的研究和方法来解决这一工程落地中的实际难题。