目标检测技术是计算机视觉研究的重要分支,它应用于诸多领域。图片中如果包含目标有重叠,检测过程中容易造成被遮目标的漏检,如何有效地检测同一张图片中目标较多且有重叠的情况,一直是一个难点。实际训练过程中,用于检测的图片各式各样,由于图片中目标宽高比差距较大导致传统的目标检测模型精度不高,如何对该类图片进行检测,具有重要的研究价值。同时如何能够从大量数据集中获取实验需要的高质量图片,一直是研究热点,基于手工数据清洗耗时耗力,如何利用计算机自动清洗数据,是一个亟需解决的问题。针对以上问题本文借鉴了相关算法更改Mask-RCNN网络模型,对数据进行清洗提高检测精度。具体研究如下所述:(1)对Mask-RCNN区域建议网络RPN选取锚点的尺寸进行改进,针对不同长宽比的特殊图片,为了提高模型泛化能力,选取不同尺寸的锚点,将锚点宽高比设置为[1:3,1:1,3:1],提高对宽高比位于该区间的图片检测准确度。(2)改进Mask-RCNN模型实现遮挡重叠目标的检测。针对原始Mask-RCNN模型对图片中有遮挡、重叠度较高的目标检测存在的问题,分析不同优化算法,本文对基于ConvNet的NMS改进算法、Soft-NMS的改进算法以及IoU-Guided NMS的改进算法进行介绍,引入Soft-NMS对原始Mask-RCNN进行改进。(3)数据清洗网络对数据进行清洗。目前数据清洗一般采用手工筛选的方式,筛选效率较低,本文通过深度学习的方法对图片进行清洗。清洗数据分成三部分,第一部分训练模型,第二部分为需要清洗的数据,第三部分作为对比数据。筛选过程分成两个阶段,第一阶段筛选出包含文字、数字的图片,将这些图片删除;第二阶段对低识别率图片进行筛选,将数据集中主体不突出,识别率低的图片删除。通过两个阶段的筛选,达到清洗数据的目的。