【儀表網(wǎng) 研發(fā)快訊】近日，中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所仿生視覺(jué)系統(tǒng)實(shí)驗(yàn)室李嘉茂研究員、朱冬晨研究員團(tuán)隊(duì)在視覺(jué)目標(biāo)檢測(cè)領(lǐng)域取得了重要進(jìn)展。團(tuán)隊(duì)圍繞圖像探測(cè)等復(fù)雜場(chǎng)景下的弱小目標(biāo)檢測(cè)提出了創(chuàng)新方法，成果被模式識(shí)別與人工智能領(lǐng)域的國(guó)際頂級(jí)期刊Pattern Recognition(PR，中國(guó)科學(xué)院1區(qū)SCI，IF=7.6)發(fā)表，論文題目為"DAWDet: A Dynamic Content-Aware Multi-Branch Framework with Adaptive Wavelet Boosting for Small Object Detection"。
 

　　目標(biāo)檢測(cè)是具身智能實(shí)現(xiàn)場(chǎng)景理解與環(huán)境交互的基石。在圖像探測(cè)等典型應(yīng)用中，受觀測(cè)視角、拍攝距離、傳感器分辨率等成像條件限制，所獲取的圖像中常包含大量微小且密集的關(guān)鍵目標(biāo)。相較于常規(guī)尺度目標(biāo)，小目標(biāo)因像素占比極低，普遍面臨特征表達(dá)能力弱、高質(zhì)量正樣本稀疏、信息丟失嚴(yán)重等固有挑戰(zhàn)。然而，當(dāng)前主流的先進(jìn)檢測(cè)模型多針對(duì)通用場(chǎng)景設(shè)計(jì)，往往更傾向于優(yōu)化大、中型目標(biāo)的檢測(cè)性能，導(dǎo)致在小目標(biāo)檢測(cè)任務(wù)上存在明顯的性能瓶頸。
 

　　為此，團(tuán)隊(duì)創(chuàng)造性提出了一種基于自適應(yīng)小波增強(qiáng)的動(dòng)態(tài)多分支目標(biāo)檢測(cè)模型DAWDet，通過(guò)設(shè)計(jì)多項(xiàng)針對(duì)性機(jī)制有效提升弱小目標(biāo)檢測(cè)性能。具體來(lái)說(shuō)，團(tuán)隊(duì)首先設(shè)計(jì)了一種基于動(dòng)態(tài)內(nèi)容感知的多分支特征金字塔網(wǎng)絡(luò)，通過(guò)自適應(yīng)內(nèi)容感知點(diǎn)采樣以及精細(xì)化的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，來(lái)獲取更加豐富的小目標(biāo)位置信息和語(yǔ)義信息。其次，團(tuán)隊(duì)提出了一種自適應(yīng)匹配的標(biāo)簽分配策略，對(duì)不同質(zhì)量的目標(biāo)預(yù)測(cè)框進(jìn)行差異性建模，通過(guò)設(shè)計(jì)的重疊轉(zhuǎn)換函數(shù)來(lái)提升高質(zhì)量小目標(biāo)樣本的回歸分?jǐn)?shù)。此外，針對(duì)小目標(biāo)信息丟失嚴(yán)重的問(wèn)題，團(tuán)隊(duì)在特征融合階段設(shè)計(jì)了多個(gè)輕量的小波變換下采樣層，針對(duì)性地捕捉小目標(biāo)低頻全局和高頻局部細(xì)節(jié)信息，以此提升小目標(biāo)特征信息的利用率。該模型在無(wú)人機(jī)場(chǎng)景數(shù)據(jù)集Visdrone-2019、可見(jiàn)光-熱紅外數(shù)據(jù)集RGBT-Tiny以及駕駛場(chǎng)景數(shù)據(jù)集SODA-D上性能全面超越目前先進(jìn)目標(biāo)檢測(cè)器，在檢測(cè)精度和模型規(guī)模方面均體現(xiàn)了明顯優(yōu)勢(shì)，同時(shí)展現(xiàn)了在紅外數(shù)據(jù)上的良好泛化性。
 

　　本研究成果得到了科技部科技創(chuàng)新2030、中國(guó)科學(xué)院青促會(huì)、上海市優(yōu)秀學(xué)術(shù)帶頭人等項(xiàng)目支持。上海微系統(tǒng)所仿生視覺(jué)系統(tǒng)實(shí)驗(yàn)室碩士研究生吳雨婷、博士后劉紹雷為論文共同一作，李嘉茂研究員、朱冬晨研究員為通信作者。