[论文解读] Small Object Detection using Deep Learning

Aleena Ajaz, Ayesha Salar+2 more|arXiv (Cornell University)|Jan 10, 2022

Advanced Neural Network Applications被引用 6

一句话总结

本文提出了一种基于Tiny YOLOv3的轻量化、高效深度学习系统，用于在航拍图像中检测小型目标——特别是无人机。该模型在召回率93%和精确率91%的情况下表现出色，相较于先前的YOLO版本在性能上有所提升且计算成本更低，适用于无人机监控应用中的实时自主检测。

ABSTRACT

Now a days, UAVs such as drones are greatly used for various purposes like that of capturing and target detection from ariel imagery etc. Easy access of these small ariel vehicles to public can cause serious security threats. For instance, critical places may be monitored by spies blended in public using drones. Study in hand proposes an improved and efficient Deep Learning based autonomous system which can detect and track very small drones with great precision. The proposed system consists of a custom deep learning model Tiny YOLOv3, one of the flavors of very fast object detection model You Look Only Once (YOLO) is built and used for detection. The object detection algorithm will efficiently the detect the drones. The proposed architecture has shown significantly better performance as compared to the previous YOLO version. The improvement is observed in the terms of resource usage and time complexity. The performance is measured using the metrics of recall and precision that are 93% and 91% respectively.

研究动机与目标

• 解决在无人机航拍的空中图像中检测极小尺寸无人机的挑战。
• 开发一种适合在资源受限系统上实时部署的高效、轻量化深度学习模型。
• 与先前的YOLO版本相比，提升检测准确率并降低计算复杂度。
• 实现在安防敏感环境中对小型空中威胁的自主检测与跟踪。

提出的方法

• 开发了一种定制的深度学习模型——Tiny YOLOv3，作为You Only Look Once（YOLO）目标检测框架的轻量化变体。
• 在航拍图像上对模型进行训练，以实现对小型无人机的高精度、低延迟检测。
• 通过减少参数数量和推理时间对模型架构进行优化，从而提升效率。
• 使用标准指标（精确率和召回率）评估性能，未提及mAP或IoU阈值。
• 系统设计用于实时推理，利用YOLO的速度优势，同时保持高检测准确率。

实验结果

研究问题

• RQ1 基于轻量化的YOLO模型是否能在航拍图像中对极小尺寸的无人机实现高检测准确率？
• RQ2 与先前的YOLO版本相比，所提出的Tiny YOLOv3模型在推理速度和资源使用方面表现如何？
• RQ3 在无人机监控场景中，小目标检测可达到怎样的精确率和召回率水平？
• RQ4 模型优化在不牺牲检测性能的前提下，能在多大程度上降低计算复杂度？

主要发现

• 所提出的Tiny YOLOv3模型在小型无人机检测任务中实现了91%的精确率和93%的召回率。
• 与早期YOLO版本相比，该模型在资源使用和时间复杂度方面表现出显著提升的效率。
• 由于推理速度快且计算开销低，该系统适合实时部署。
• 即使在复杂的空中背景中，该架构也能对极小目标保持高检测准确率。