Resumen

La detección de objetos pequeños es un tema interesante en la visión por ordenador. Con el rápido desarrollo en el aprendizaje profundo, ha llamado la atención de varios investigadores con innovaciones en los enfoques para unirse a una carrera. Estas innovaciones propuestas comprenden propuestas de región, celda de cuadrícula dividida, mapas de características multiescala y nueva función de pérdida. Como resultado, el rendimiento de la detección de objetos ha tenido recientemente mejoras significativas. Sin embargo, la mayoría de los detectores del estado del arte, tanto en enfoques de una etapa como de dos etapas, han tenido problemas con la detección de objetos pequeños. En este estudio, evaluamos los modelos actuales del estado del arte basados en el aprendizaje profundo en ambos enfoques, como Fast RCNN, Faster RCNN, RetinaNet y YOLOv3. Proporcionamos una evaluación profunda de las ventajas y limitaciones de los modelos. En concreto, ejecutamos modelos con diferentes backbones en diferentes conjuntos de datos con objetos multiescala para averiguar qué tipos de objetos son adecuados para cada modelo junto con los backbones. Se llevó a cabo una amplia evaluación empírica en 2 conjuntos de datos estándar, a saber, un conjunto de datos de objetos pequeños y un conjunto de datos filtrados de PASCAL VOC 2007. Por último, se presentan resultados y análisis comparativos.

• Materias:Ingeniería electrónica Redes Inalámbricas Tecnología de sensores Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Sensor technology Signal processing computer-assisted Data processing
• Palabras claves:aprendizaje profundo, amplia evaluación empírica, detección de objetos pequeños, comprende propuestas de regiones, mapas de características multiescala, nueva función de pérdida, conjunto de datos de objetos pequeños, enfoques, innovaciones, modelos
• Keywords:deep learning, extensive empirical evaluation, small object detection, comprise region proposals, multiscale feature maps, new loss function, small object dataset, approaches, innovations, models