基于分阶递进增强的低分辨率图像目标检测方法

摘要

【目的】目标检测是计算机视觉领域的核心任务之一，在智能监控、自动驾驶等实际场景中具有重要应用价值.然而，在真实采集过程中，受成像设备性能限制、传输干扰等因素影响，图像往往会出现低分辨率(LR)退化，并伴随噪声和模糊等问题.现有多数基于卷积神经网络(CNN)的目标检测算法主要针对高分辨率(HR)图像设计，在复杂退化的LR图像上，由于HR与LR特征域差异显著，检测性能明显下降.针对上述问题，该文提出一种面向目标检测任务的超轻量级预增强网络(HPEN).【方法】为降低复杂退化带来的图像重构难度，HPEN采用分阶递进增强策略.第一阶段设计小波复原模块(WRM)恢复图像关键纹理信息，实现图像复原.WRM首先利用离散小波变换将输入图像分解为低-低频、低-高频、高-低频和高-高频4个频率分量，并在每个分量支路中引入残差单元进行特征提取.为实现低频结构信息与高频细节信息的有效融合，在相邻频率支路之间构建跨层特征融合单元，通过仿射变换方式将外部指导特征融合到当前特征中，以增强特征表达能力.第二阶段设计分辨率增强模块(REM)对复原图像进行细节重建并提升图像分辨率.REM首先利用3×3卷积提取浅层特征，并通过残差单元进行特征细化；随后采用双线性插值将特征缩放至固定尺寸128×128,再通过像素重排层将特征上采样至512×512.同时，通过跳跃连接结合双线性插值方式引入残差图像，以促进模块内部信息流动.将HPEN与任意检测器级联，可构建适用于LR图像的目标检测方法(HPELOD).【结果】为验证所提方法的有效性，在降质后的PASCAL VOC2007 trainval(VOC-L)和COCO val 2017(COCO-L)数据集上，与基准检测方法CenterNet、基于预处理的方法以及联合增强与检测的方法进行对比实验.实验结果表明，在保持检测速度的前提下，HPELOD仅引入少量网络参数和计算开销，即可显著提升LR图像的目标检测性能.例如，在VOC-L和COCO-L数据集上，HPELOD相较于自监督学习分辨率自适应编码方法(AERIS)分别提升1.2和1.1的mAP.此外，在主观视觉效果方面，所提方法在较强噪声和模糊的情况下仍能够检测出更多目标.【结论】该文提出的超轻量级预增强网络HPEN及其分阶递进增强策略能够有效缓解退化LR图像的重构与增强难题，所构建的HPELOD方法为低分辨率图像目标检测提供了一种高效且轻量化的解决方案.该方法在检测精度与计算效率之间取得良好平衡，具有较高实际应用价值，可为后续低分辨率图像目标检测研究提供参考.

关键词

卷积神经网络 / 图像增强 / 目标检测 / 深度学习 / 特征融合