小目标检测是目标检测任务中一个具有挑战性的分支,其目的是对图像中的小像素目标进行分类和定位。随着深度学习的发展,基于卷积神经网络的小目标检测算法取得了巨大的进步,但由于检测的环境复杂、信息量少以及分辨率低等问题,小目标检测算法还有待发展。该文围绕基于深度学习的小目标检测算法进行分析和研究,具体研究内容如下:首先,为了提升小目标检测的性能,该文提出基于金字塔卷积与注意力机制的小目标检测方法。该方法将金字塔卷积结构和注意力模块融入骨干网络,金字塔卷积结构可以使骨干网络更好地提取特征图中的多尺度信息,而注意力模块可以引导骨干网络提取更为重要的特征信息。该文将两者相结合,大大提升了骨干网络的特征提取能力,在保证检测效率的同时,有效提升了小目标检测的性能。其次,为了进一步提升检测性能,该文对特征金字塔网络进行改进,提出基于多分支感受野网络的小目标检测方法。该方法将改进的感受野模块与特征金字塔网络相结合,增加了网络中大、中、小目标感受野的多样性,增强了网络对不同尺度目标的特征提取能力,提升了对小目标的检测性能。最后,为了更好地适应小尺度目标的特点,该文提出基于并行多尺度特征提取网络的小目标检测方法。该方法利用空洞卷积设计并构造了并行多尺度特征提取网络,在增加网络感受野的同时,尽量避免了小目标信息的丢失,也解决了级联网络中多尺度特征冗余度较大的问题。实验结果表明,在小目标数据集上,该文提出的检测方法在保证检测效率的同时,大幅度提高了检测网络的准确率和召回率。