王建中，王加樂，于子博，王洪楓

（北京理工大學(xué) 機電學(xué)院, 北京 100081）

隨著人工智能技術(shù)的發(fā)展，無人武器智能化成為武器裝備發(fā)展的必然趨勢，其中目標(biāo)檢測是無人武器智能化過程中的關(guān)鍵技術(shù)之一. 士兵和裝甲車是地面戰(zhàn)場上主要作戰(zhàn)力量，可靠識別敵方士兵和裝甲車目標(biāo)是無人武器實現(xiàn)精確打擊的必要條件[1].然而，士兵和裝甲車目標(biāo)的尺度差異大，且目標(biāo)距離的遠(yuǎn)近都會影響目標(biāo)在圖像中的尺度，目標(biāo)呈現(xiàn)多尺度的特點. 在深度學(xué)習(xí)目標(biāo)檢測算法中，大中尺度的目標(biāo)具有更加豐富的特征，檢測效果好；但小尺度的目標(biāo)分辨率低，可辨識特征少，經(jīng)過網(wǎng)絡(luò)多次下采樣操作后，特征損失嚴(yán)重、檢測效果差. 因此，深度學(xué)習(xí)目標(biāo)檢測算法面臨多尺度目標(biāo)檢測的問題，尤其是針對小目標(biāo)的檢測[2].

為解決多尺度目標(biāo)檢測問題，構(gòu)建目標(biāo)的多尺度特征表達是主要的解決思路[3]：一種方法是構(gòu)建圖像金字塔[4-6]，將不同尺度的目標(biāo)劃分到圖像金字塔的不同層，并預(yù)設(shè)不同尺度的窗口，以滑動窗口的形式遍歷整個圖像金字塔，但顯然此類方法計算成本高，存在大量的重復(fù)性計算；另一種方法則是構(gòu)建特征金字塔[7]，使用網(wǎng)絡(luò)前向傳播過程不同階段生成的特征圖構(gòu)建特征金字塔，用于不同尺度目標(biāo)的檢測[8-10]，但淺層特征的表征能力差，缺少有效的語義信息，對小目標(biāo)的檢測效果有限；為了解決這一問題，后續(xù)的研究則專注于特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)的改進[11-12]，主要思路就是打通淺層特征與深層特征之間的信息通道，改善淺層特征的語義信息和深層特征的位置信息，進而提高多尺度目標(biāo)的檢測效果.

在基于深度學(xué)習(xí)的目標(biāo)檢測算法中，YOLO 系列算法是一類典型的單階段目標(biāo)檢測算法，其將目標(biāo)檢測問題轉(zhuǎn)換為回歸問題，從而實現(xiàn)了檢測精度和速度上的平衡，自2016 年問世以來，經(jīng)歷了多次改進和提升，直至YOLOv4[13]，檢測效果得到顯著提升，并在一定程度上解決了多尺度目標(biāo)檢測問題. 由于YOLO 系列算法的出色性能，其在多個領(lǐng)域都有廣泛的應(yīng)用，包括多目標(biāo)檢測[14]、手勢識別[15]、交通標(biāo)識檢測[16]等.

針對多尺度目標(biāo)的檢測問題，尤其是小目標(biāo)檢測，本文對士兵和裝甲車小目標(biāo)進行數(shù)據(jù)增強，豐富小目標(biāo)樣本的多樣性，解決樣本不平衡的問題，進而提出一種多尺度目標(biāo)檢測方法，通過圖像分割預(yù)處理提高網(wǎng)絡(luò)輸入小目標(biāo)的分辨率，并基于特征金字塔網(wǎng)絡(luò)實現(xiàn)不同尺度目標(biāo)的分離檢測，最后通過檢測結(jié)果匹配和NMS 處理去除冗余檢測框，實現(xiàn)多尺度目標(biāo)檢測.

1 小目標(biāo)數(shù)據(jù)增強方法

數(shù)據(jù)增強是解決樣本量不足，提高模型泛化能力的通用方法. 常用的數(shù)據(jù)增強方法包括水平翻轉(zhuǎn)、隨機縮放、隨機裁剪、隨機噪聲、HSV 色彩變換等，通過上述方法的不同組合，可以顯著提升樣本的豐富性. 然而此類數(shù)據(jù)增強方法對中、大目標(biāo)的增強效果顯著，但對小目標(biāo)的增強效果有限，這是因為數(shù)據(jù)集中的小目標(biāo)數(shù)量往往遠(yuǎn)少于中、大目標(biāo)，存在樣本不平衡的問題，雖然可以使用上述增強方式緩解樣本不平衡的問題，但小目標(biāo)本身的分辨率低、特征模糊、且容易受到噪聲的影響，通過上述增強方式得到的小目標(biāo)特征并沒有明顯增加，甚至可能造成小目標(biāo)特征的過多損失，模型難以學(xué)習(xí)到足夠可靠的小目標(biāo)特征，對小目標(biāo)的檢測效果提升有限. 為了更好地對小目標(biāo)進行數(shù)據(jù)增強，顯著提升小目標(biāo)的數(shù)量和特征多樣性，本文采用了馬賽克拼接（Mosaic）、目標(biāo)輪廓粘貼（Copy-Paste）、圖像粘貼（Mixup）以及真值框粘貼（Bbox-Paste）4 種數(shù)據(jù)增強方法，如圖1所示.

圖1 小目標(biāo)數(shù)據(jù)增強Fig. 1 Data augmentation for small object

其中，Mosaic 方法將4 張尺寸相近的圖像進行拼接，以此將原圖像中的大、中目標(biāo)轉(zhuǎn)變?yōu)镸osaic 圖像中的中、小目標(biāo)，豐富目標(biāo)的尺度多樣性，為實現(xiàn)小目標(biāo)的增強，該方法依賴于原數(shù)據(jù)集中的中尺度目標(biāo)，且單個Mosaic 圖像上目標(biāo)數(shù)量眾多，小目標(biāo)占比相對較少，因此該方法可以提高小目標(biāo)的數(shù)量，但不能改善小目標(biāo)的占比，需要配合其他小目標(biāo)數(shù)據(jù)增強方法使用；Copy-Paste 方法將其他圖像中的目標(biāo)以其輪廓邊緣為界限復(fù)制下來，然后隨機縮放并粘貼于其他圖像上，以此獲得大量包含小目標(biāo)的樣本，該方法是一種理想的數(shù)據(jù)增強方法，目標(biāo)的尺度變化有更好的連續(xù)性，有助于模型學(xué)習(xí)到目標(biāo)在不同尺度上的映射關(guān)系，提高小目標(biāo)的檢測效果，但該方法需要對目標(biāo)進行分割，存在較大的工作量；Mixup 方法將小尺寸的圖像隨機粘貼到大尺寸的圖像上，從而將小尺寸圖像中的大、中目標(biāo)轉(zhuǎn)變?yōu)镸ixup 圖像中的中、小目標(biāo)，該方法同樣存在Mosaic 方法只能提高小目標(biāo)數(shù)量、不能提高小目標(biāo)占比的問題，且該方法在進行隨機粘貼的時候，容易遮擋背景圖像中的目標(biāo)，對模型的收斂效果有一定的負(fù)面影響；除此之外，本文基于Copy-Paste 和Mixup 的思想，提出了Bbox-Paste 數(shù)據(jù)增強方法，將訓(xùn)練集中的中、小目標(biāo)以其真值框為界限復(fù)制下來，而后隨機縮放并粘貼到其他圖像上，以此獲得大量小目標(biāo)樣本，該方法避免了Copy-Paste需要對目標(biāo)進行實例分割的繁重工作，以及Mixup方法容易遮擋背景圖像中原有目標(biāo)的缺點，該方法是一種快速有效的小目標(biāo)數(shù)據(jù)增強方法，可以提高模型訓(xùn)練過程對小目標(biāo)的收斂速度，有助于提高對小目標(biāo)的檢測效果. 通過上述4 種針對性的數(shù)據(jù)增強方式，可以有效提高小目標(biāo)樣本量，在此基礎(chǔ)上可以與常用的數(shù)據(jù)增強方法相結(jié)合，進一步提高小目標(biāo)的特征多樣性.

2 多尺度目標(biāo)檢測方法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv4 由主干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)以及YOLO檢測頭構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示. 主干網(wǎng)絡(luò)在Darknet53 的基礎(chǔ)上結(jié)合CSP 網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)學(xué)習(xí)能力，在主干網(wǎng)絡(luò)的末端引入空間金字塔池化SPP，提高了網(wǎng)絡(luò)末端輸出特征圖的感受；特征融合網(wǎng)絡(luò)由自頂向下和自底向上的2 條特征融合路徑構(gòu)成，自頂向下的路徑采用FPN 結(jié)構(gòu)，可以將網(wǎng)絡(luò)頂層豐富的語義信息向下融合，豐富了淺層特征缺乏的語義信息，自底向上的過程采用路徑聚合網(wǎng)絡(luò)PANet，縮短了底層特征向頂層傳遞的距離，以此將底層更加精確的位置信息向上融合，最終輸出3 個不同尺度的融合特征圖；YOLO 檢測頭則在3 個融合特征圖上進行目標(biāo)檢測，輸出最終的檢測結(jié)果.

圖2 YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 YOLOv4 network structure

為了實現(xiàn)多尺度目標(biāo)檢測，YOLOv4 從主干網(wǎng)絡(luò)的末端提取了3 個不同尺度的特征圖，并經(jīng)過特征融合網(wǎng)絡(luò)將頂層豐富的語義信息與淺層精確的位置信息相融合，輸出3 個融合特征圖，分別用于大、中、小目標(biāo)的檢測. 其中，YOLO Head1 對應(yīng)最大尺度的特征圖，其來源于主干網(wǎng)絡(luò)的淺層特征，具有更精確的位置信息，小目標(biāo)的特征保存相對較好，因此用于小目標(biāo)檢測；YOLO Head2 對應(yīng)中尺度的特征圖，用于中目標(biāo)檢測；YOLO Head3 則對應(yīng)最小尺度的特征圖，具有最佳的語義信息和最大的感受野，因此用于大目標(biāo)檢測.

2.2 損失函數(shù)

置信度損失采用交叉熵?fù)p失，定義為：

2.3 多尺度目標(biāo)檢測方法

在網(wǎng)絡(luò)的前向傳播過程中，輸入圖像需要經(jīng)過多次卷積操作和下采樣操作以提取更加抽象的語義特征，導(dǎo)致輸出的特征圖尺寸越來越小，而小目標(biāo)本身的分辨率低，經(jīng)過多次下采樣操作后，其特征損失殆盡，因此網(wǎng)絡(luò)深層的特征難以用于預(yù)測小目標(biāo)，網(wǎng)絡(luò)面臨多尺度目標(biāo)檢測的問題，特別是對小目標(biāo)的檢測. 為了解決這一問題，YOLOv4 從主干網(wǎng)絡(luò)末端提取了3 個不同尺度的特征圖，分別用于對大、中、小目標(biāo)的預(yù)測輸出，以此解決多尺度目標(biāo)檢測問題.

為提高多尺度目標(biāo)的檢測效果，特別是小目標(biāo)的檢測效果，除了提取淺層特征圖用于目標(biāo)檢測，還可以提高網(wǎng)絡(luò)輸入小目標(biāo)的分辨率. 基于這一想法，本文提出多尺度目標(biāo)檢測方法，在檢測網(wǎng)絡(luò)的輸入端，對輸入圖像進行圖像分割預(yù)處理，以此提高網(wǎng)絡(luò)輸入小目標(biāo)的分辨率，在檢測網(wǎng)絡(luò)的輸出端，基于YOLOv4 網(wǎng)絡(luò)不同特征圖的檢測結(jié)果，對檢測結(jié)果進行匹配輸出，并通過NMS 處理去除冗余檢測框，輸出最終檢測結(jié)果，具體流程如圖3 所示.

圖3 多尺度目標(biāo)檢測方法Fig. 3 Multi-scale object detection method

圖像分割預(yù)處理操作如圖4 所示，首先將輸入圖像以垂直和水平中心線進行劃分，將輸入圖像等分為4 個部分，考慮到分割操作容易造成中心線附近的中、小目標(biāo)被切割，影響中、小目標(biāo)的檢測效果，因此需要對分割線進行處理，鑒于本文數(shù)據(jù)集中圖像的尺寸（長×寬）大多為1 920×1 080，對應(yīng)小目標(biāo)的面積約為45×45，為避免小目標(biāo)被分割，實際的分割線相對中心線向兩側(cè)偏移了30 個像素的距離，通過這種分割線偏移處理的方式，使得4 張分割圖像相互包含了60 個像素寬的公共區(qū)域，以此保證公共區(qū)域內(nèi)小目標(biāo)特征的完整性；其次，將4 張分割圖像縮放到網(wǎng)絡(luò)的輸入大小，獲得圖4 中編號1～4 的縮放圖像，而后將原輸入圖像也縮放到網(wǎng)絡(luò)的輸入大小，獲得編號5 的縮放圖像；最后，將上述5 張縮放圖像以自然順序進行組合，形成一個批次的圖像并作為檢測網(wǎng)絡(luò)的輸入，執(zhí)行后續(xù)的目標(biāo)檢測和檢測結(jié)果匹配操作.

圖4 圖像分割預(yù)處理Fig. 4 Pre-processing for image segmentation

圖像分割預(yù)處理通過分割操作提高了網(wǎng)絡(luò)輸入小目標(biāo)的分辨率，但同時也會造成原圖中的中、大目標(biāo)被分割成多個部分，網(wǎng)絡(luò)會將分割圖像中的分割目標(biāo)進行單獨檢測，因此在最終檢測結(jié)果中，被分割的中、大目標(biāo)將被檢測為多個目標(biāo)而非一個整體. 為解決這一問題，本文將YOLOv4 網(wǎng)絡(luò)的檢測輸出進行了分離處理，即根據(jù)不同尺度特征圖負(fù)責(zé)檢測不同尺度目標(biāo)的設(shè)計方法，將大、中、小目標(biāo)的檢測輸出進行分離. 見圖3，在檢測結(jié)果匹配過程中，將編號1～4 圖像的檢測輸出僅提取淺層和中層特征圖的檢測結(jié)果，即中、小目標(biāo)的檢測輸出；編號5 圖像的檢測輸出則提取所有特征圖的檢測結(jié)果，即大、中、小目標(biāo)的檢測輸出. 通過這種分離操作，避免了被分割的中、大目標(biāo)檢測為多個目標(biāo)的問題，通過后續(xù)的NMS 操作，則可以進一步去除分割目標(biāo)的多余檢測框.

在網(wǎng)絡(luò)完成檢測與檢測結(jié)果匹配后，需要進行NMS 處理去除冗余檢測框，才能輸出最終的檢測結(jié)果，過程如圖5 所示. 首先，展開檢測結(jié)果，將編號1～4 圖像的檢測結(jié)果展開并縮放到對應(yīng)分割圖像的尺寸，將編號5 圖像的檢測結(jié)果縮放到原輸入圖像的尺寸；其次，根據(jù)圖像分割預(yù)處理過程中的分割策略，將圖像5 的檢測結(jié)果進行同樣的分割處理，獲得編號1′～4′的檢測結(jié)果；最后，根據(jù)對應(yīng)關(guān)系對檢測結(jié)果進行NMS 處理，去除編號1～4 圖像中冗余的檢測框，合并檢測結(jié)果后，輸出最終的檢測結(jié)果.

圖5 NMS 處理Fig. 5 NMS processing

3 實驗與分析

3.1 數(shù)據(jù)集設(shè)置與訓(xùn)練策略

本文使用的士兵和裝甲車數(shù)據(jù)集來自網(wǎng)絡(luò)爬取，并使用labelImg 進行標(biāo)注，最終獲得共計8 894 個樣本，其中包含士兵目標(biāo)14 265 個，裝甲車目標(biāo)10 100個，數(shù)據(jù)集樣本示例如圖6 所示.

圖6 士兵和裝甲車數(shù)據(jù)集樣本示例Fig. 6 Examples of soldier and armored vehicle dataset

以8∶2 的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，用于訓(xùn)練和驗證本文提出的多尺度目標(biāo)檢測方法.本文使用了基于ImageNet 分類任務(wù)訓(xùn)練的模型作為預(yù)訓(xùn)練模型，對主干網(wǎng)絡(luò)的參數(shù)進行初始化，以此加快模型的收斂速度. 采用隨機梯度下降SGD 更新梯度，初始學(xué)習(xí)率為0.001，動量為0.95，權(quán)重衰減系數(shù)為0.000 5. 整個訓(xùn)練過程分為兩個階段：第一階段先對訓(xùn)練集進行小目標(biāo)數(shù)據(jù)增強，獲得9 000 張增廣樣本，模型首先在增廣樣本上進行了18 000 次迭代，學(xué)習(xí)率以0.1 的倍率從初始值0.001 逐步下降至0.000 01，直到模型損失不再下降，此時完成模型的第一階段訓(xùn)練；第二階段則在原始訓(xùn)練集上繼續(xù)訓(xùn)練，對模型的參數(shù)進行微調(diào)，此時模型損失進一步下降，直至損失不再下降，此時網(wǎng)絡(luò)的性能達到最佳，獲得最終的模型.

3.2 實驗結(jié)果

檢測精度AP 和平均檢測精度mAP 是主要的評價指標(biāo). 檢測精度AP 由P-R曲線積分而來，表示模型在某一類目標(biāo)上的檢測精度；平均檢測精度mAP是AP 的平均值，表示模型在所有類別目標(biāo)上的平均精度. 具體的計算公式為

式中：P為準(zhǔn)確率，表示模型檢測的準(zhǔn)確性，即檢出目標(biāo)中目標(biāo)正確的比例；R為召回率，表示模型檢測的全面性，即正確檢出的目標(biāo)占總目標(biāo)的比例；NTP為檢測正確的目標(biāo)數(shù)量；NFP為檢測錯誤的目標(biāo)數(shù)量；NFN為未被檢測到的目標(biāo)數(shù)量；P(R)為平滑后的P-R曲線；Nc為目標(biāo)類別數(shù)量.

為了驗證本文所提多尺度目標(biāo)檢測方法的有效性，首先需要對目標(biāo)的尺度進行劃分，目標(biāo)尺度的定義有兩類方法：一類是根據(jù)目標(biāo)的絕對大小進行劃分，COCO 數(shù)據(jù)集（圖像尺寸長×寬大多是640×480）定義面積小于32×32 的目標(biāo)為小目標(biāo)，面積小于96×96 的目標(biāo)為中目標(biāo)，其余目標(biāo)為大目標(biāo)；另一類是根據(jù)目標(biāo)占圖像的相對大小進行定義，將目標(biāo)占圖像的面積比值小于0.1%定義為小目標(biāo)，但并未定義中目標(biāo). 考慮到本文的士兵和裝甲車數(shù)據(jù)集的圖像尺寸相對較大（長×寬大多是1 920×1 080），因此采用相對大小的方式對目標(biāo)尺度進行定義更為合理，其中，面積占比小于0.1%的目標(biāo)定義為小目標(biāo)，由于相對大小的定義方式并未定義中目標(biāo)，因此根據(jù)COCO 數(shù)據(jù)集的中目標(biāo)尺度和圖像尺寸進行換算，將面積占比小于3%的目標(biāo)定義為中目標(biāo)，其余目標(biāo)定義為大目標(biāo). 基于上述目標(biāo)尺度劃分依據(jù)，計算本文方法對大、中、小目標(biāo)的平均檢測精度，其中mAPL、mAPM、mAPS分別表示大、中、小目標(biāo)的平均檢測精度.

實驗對比了基于小目標(biāo)數(shù)據(jù)增強的YOLOv4 方法、基于分割檢測的YOLOv4 方法以及本文的多尺度目標(biāo)檢測方法相比基礎(chǔ)YOLOv4 檢測精度的提升效果. 其中，基礎(chǔ)YOLOv4 僅在原始訓(xùn)練集上訓(xùn)練而來，基于小目標(biāo)數(shù)據(jù)增強的YOLOv4 方法則經(jīng)過小目標(biāo)數(shù)據(jù)增強后訓(xùn)練而來，基于分割檢測的YOLOv4 方法則是在基礎(chǔ)YOLOv4 上應(yīng)用分割檢測方法，而本文的多尺度目標(biāo)檢測方法則是綜合了小目標(biāo)數(shù)據(jù)增強和分割檢測方法實現(xiàn)的，實驗結(jié)果如表1 所示. 從表中可以看出，大、中、小目標(biāo)的平均檢測精度呈下降趨勢，且小目標(biāo)的檢測精度遠(yuǎn)小于大目標(biāo)的檢測精度，由此可知，小目標(biāo)檢測問題是多尺度目標(biāo)檢測的主要難點. 通過小目標(biāo)增強方法，mAPS提升了1.80%，但mAPL、mAPM略有下降，表明小目標(biāo)數(shù)據(jù)增強方法可有效提高小目標(biāo)的檢測精度，雖然也會降低中大目標(biāo)的檢測精度，但相比中、大目標(biāo)本身較高的檢測精度，其降幅是可接受的；在基礎(chǔ)YOLOv4 上采用分割檢測方法后，中、小目標(biāo)的檢測精度提升明顯，尤其是針對小目標(biāo)的檢測，mAPS提高了4.21%，證明分割檢測方法的有效性；而本文的多尺度目標(biāo)檢測方法取得了最佳的檢測效果，mAPS提升了5.54%，mAPM提升了1.20%. 中目標(biāo)相比小目標(biāo)的檢測精度提升有限，主要是因為中目標(biāo)比小目標(biāo)的尺度更大，檢測精度相對較高，相比小目標(biāo)有著更少的錯誤檢測，且本文的多尺度目標(biāo)檢測方法在進行分割線偏移時，主要考慮解決小目標(biāo)檢測的問題，60 個像素寬的公共區(qū)域不能保證分割線附近的中尺度目標(biāo)的完整性，因此會影響中目標(biāo)的檢測效果，其檢測效果有所改善，但遠(yuǎn)不如小目標(biāo)的提升效果顯著. 實驗結(jié)果表明，本文多尺度目標(biāo)檢測方法在基本保證大目標(biāo)檢測精度的同時，有效提高了中、小目標(biāo)的檢測精度，實現(xiàn)了最佳的多尺度目標(biāo)檢測效果.

表1 平均檢測精度Tab. 1 Mean detection precision

圖7～圖9 所示為部分檢測效果示例，可以看出，基礎(chǔ)YOLOv4 對中、大目標(biāo)的檢測效果很好，但容易漏檢、誤檢小目標(biāo)，而使用本文多尺度目標(biāo)檢測方法，小目標(biāo)的檢測效果得到了明顯改善. 圖7 和圖8 是大、小目標(biāo)共存的情況，基礎(chǔ)YOLOv4 成功檢測到了中、大目標(biāo)，但漏檢的小目標(biāo)較多，而本文多尺度目標(biāo)檢測方法則有效識別了漏檢小目標(biāo)，對遮擋小目標(biāo)也有較好的識別能力；圖9 是密集小目標(biāo)的情況，基礎(chǔ)YOLOv4 誤檢小目標(biāo)較多，對密集小目標(biāo)沒有很好的區(qū)分能力，而本文的多尺度目標(biāo)檢測方法對密集小目標(biāo)的誤檢情況更少.

圖7 小目標(biāo)的檢測效果對比Fig. 7 Comparison of small object detection results

圖8 遮擋小目標(biāo)的檢測效果對比Fig. 8 Comparison of occluded small object detection results

圖9 密集小目標(biāo)的檢測效果對比Fig. 9 Comparison of dense small object detection results

4 結(jié) 論

通過對士兵和裝甲車小目標(biāo)進行數(shù)據(jù)增強，提高了小目標(biāo)樣本的豐富性，解決了樣本不平衡問題，進而提出了一種多尺度目標(biāo)檢測方法，通過對輸入圖像進行分割處理以提高網(wǎng)絡(luò)輸入小目標(biāo)的分辨率，結(jié)合特征金字塔網(wǎng)絡(luò)將大、中、小目標(biāo)的檢測輸出進行分離，通過檢測結(jié)果匹配與NMS 處理，去除分割圖像中的冗余檢測框，以此實現(xiàn)多尺度目標(biāo)檢測.實驗結(jié)果表明，本文的多尺度目標(biāo)檢測方法在保證大目標(biāo)檢測效果的情況下，中、小目標(biāo)的平均檢測精度分別提升了1.20%和5.54%，有效提高了中、小目標(biāo)的檢測精度，特別是小目標(biāo)的檢測精度明顯提升.