摘要
目前深度学习已经在图像分类，目标识别等多个领域取得了巨大的进步。由于标注数据的缺乏，深度学习算法依然不能像人类一样，凭借少量的训练样本将学到的知识推广到新场景中。因此，为了弥补人工智能与类人学习之间的鸿沟，小样本学习的问题受到了广泛关注。 针对现有的小样本学习方法中存在的问题，本文设计了新的小样本学习方法，并将其应用到目标识别中。本文的主要贡献有如下几个方面。 1.针对原型网络在特征提取的过程中忽略支持集的整体特征的问题，本文设计了一种基于Transformer小样本学习方法。该方法设计了Transformer特征迁移模块，根据支持集中不同类别特征对支持集的整体特征进行精炼实现特征空间的特征迁移。另外，设计了分组正则化模块，通过计算询问集样本与不同类别原型的相似度并根据硬样本的标签显式的监督特征空间对硬样本的聚类效果，从而提升特征空间的泛化能力。实验证明本文设计的方法，其分类正确率优于小样本图像分类现有方法，通过消融实验证明了上述两个模块的有效性。 2.在上述研究的基础上设计了一种Transformer多尺度目标识别方法。该方法引入Transformer特征迁移模块对候选框提取网络和检测头进行支持集特征迁移。同时，针对传统的锚匹配方法在小样本情况下会引入大量的不合适负样本的问题，本文设计了多尺度候选框精炼模块。该模块将候选框提取网络与特征金字塔网络相结合，增加支持集特征数量从而抑制负样本生成数量。实验结果表明，本文设计的方法在召回率和准确率等指标达到了先进水平。 3.采用本文设计的基于Transformer多尺度目标识别算法，实现了一个商标小样本目标识别应用系统。该系统可以通过注册账号并创建自定义商标识别器，从而根据自己支持集数据对未标记的大量图片进行商标识别。另外，本系统还实现了根据商标名查询生活中相关图片等功能。
NETL