Resumen

Con el desarrollo del aprendizaje profundo, la detección de objetivos a partir de sensores de visión ha alcanzado una gran precisión y eficiencia. Sin embargo, la detección de objetivos pequeños sigue siendo un reto debido al uso inadecuado de la información semántica y la información detallada de la textura de las características subyacentes. Para resolver estos problemas, este artículo propone un algoritmo de detección de objetivos pequeños basado en el modelo Mask R-CNN, que integra el aprendizaje por transferencia y la red profunda separable. En primer lugar, se introduce la estructura de fusión de pirámide de características para mejorar el efecto de aprendizaje de las características de bajo y alto nivel, especialmente para fortalecer el canal de información de las características de bajo nivel y, mientras tanto, optimizar la información de las características del objetivo pequeño. En segundo lugar, se utiliza la función ELU como función de activación para resolver el problema de que la función de activación original desaparece en el gradiente negativo del semieje. Por último, se adoptó una nueva función de pérdida F-Softmax combinada con Focal Loss para resolver el desequilibrio de las proporciones de muestras positivas y negativas. En este trabajo se utiliza un conjunto de datos de elaboración propia para llevar a cabo los experimentos, y los resultados experimentales muestran que el algoritmo propuesto hace que la precisión de detección de objetivos pequeños alcance el 66,5%.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:estructura de fusión de pirámide de características, gradiente de semieje negativo, nueva función de pérdida f, algoritmo de detección de objetivos pequeños, red separable profunda, información detallada de textura, proporciones de muestra negativas, función de activación original, detección de objetivos pequeños, papel
• Keywords:feature pyramid fusion structure, negative half axis gradient, new loss function f, small target detection algorithm, deep separable network, detailed texture information, negative sample proportions, original activation function, small target detection, paper