基于特征增强和样本选择的SSD小目标检测方法,属于目标检测技术领域。SSD对小目标的检测效果还有待提高,本申请提出了新的特征增强模块,更好地利用目标的周围信息,提升小目标的辨识能力。同时,本发明采用了最新的自适应训练样本选择算法替代原本SSD的样本选择方法,自适应地选择阈值。本发明采用了这两种方法改进SSD算法,显著地提升了小目标的检测效果。

步骤一、使用训练数据集进行训练。

步骤二、将图片大小设置为300x300，经过图像增强之后输入到SSD中。

步骤三、在原始SSD结构的基础上，在产生的六层特征图后，仅对前五层接入了特征增强模块FM；得到前五层特征图经过特征增强模块FM的输出，然后同最后一层特征图一起进行预测。特征增强模块FM能够联系上下文的信息，增大感受野，特征增强模块FM采用的卷积核的大小为3X3，特征增强模块FM在卷积之后使用BN对数据进行归一化，调整数据的分布，加速训练。特征增强模块FM使用了Mish函数作为激活函数，表达式如下：

g(z)＝z*tanh(z*ln(1+ez)) (8)

其中，g(z)表示输出，z表示输入；

步骤四、对于步骤三处理后的特征图，使其生成默认框；

步骤五、将默认框与真实框进行匹配，采用自适应的训练样本选择策略(ATSS)进行正负样本选择，从而选择匹配的默认框，根据默认框的统计特征确定IOU阈值，自适应地为每个真实框确定阈值，以此来划分正样本和负样本；

自适应的训练样本选择策略(ATSS)的具体过程如下：

算法的输入有G、L、Ai、A、k。G表示图像中所有真实框的集合；L表示特征图的个数；Ai是第i个特征图默认框的集合；A是所有默认框的集合；k表示从每个特征图选择的默认框数量。算法的输出有P、N。P表示正样本；N表示负样本。

(1)为每一个真实框g，g∈G，产生一个空集合

(2)对于每一层特征图i，i∈[1,L]，以L2距离为依据从Ai选择k个中心距离g最近的默认框，挑选出来的默认框记为S，合并到Cg中，即Cg＝Cg∪S。

目标检测是计算机视觉领域的重要任务之一，在自动驾驶、医疗影像、智能交通等领域都有着广泛的应用，其包含两个子任务，一是对目标进行准确识别，二是对目标进行准确定位，为了更好地实现这两个子任务，越来越多的学者从事目标检测领域的研究工作，提取更优质的特征供计算机学习。

近年来，随着深度学习的快速发展，神经网络能够很好地提取出目标特征，基于卷积神经网络的目标检测方法已经成为目标检测领域研究的热点问题。通过深度学习方法获得的特征比传统的手工特征表达能力更强，效果更好。在深度学习的浪潮下，两大类目标检测算法应运而生。一阶段的检测算法，代表有SSD、DSSD、DSOD、RetinaNet、YOLO系列等；二阶段的检测算法，代表有Faster R-CNN、Cascade R-CNN等。一阶段检测算法有着速度优势，二阶段检测算法有着精度优势，二者各有千秋。

在目标检测任务中，存在一个难题就是对于小目标的检测，小目标本身所占的像素较少，其图像分辨率较低，携带的信息不足，可供学习的特征较少，最终导致模型对于小目标的特征表达能力较差。

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

本发明的有益效果：首先本发明提出了新的特征增强模块，此模块可以更好地学习小目标的周围信息，弥补小目标特征不足的缺陷；其次，本发明采用了新的正负样本选择策略，原始SSD对于正样本的阈值定义过于生硬，小目标对应的默认框数量原本就相对较少，这样经过硬性阈值过滤后，留存的小目标对应的正样本默认框数量将更少，会造成小目标的训练不充分，所以本发明采用了最新的自适应训练样本选择方法，针对于每一个目标选择合适阈值，以此阈值来进行样本选择。实验结果表明，本发明改进的SSD算法对于小目标检测效果提升明显，从PASCAL VOC2007测试集的结果来看，对于小目标bottle、pottedplant、chair的检测准确率均有明显的提高，并且提升了二十类目标的平均准确率。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。