摘要
近年来，目标检测技术日益广泛地应用于机器人视觉、智能安防、车辆辅助驾驶等领域。基于深度学习的目标检测模型，往往需要大量人工标注的图像样本进行训练。在特定领域，有时难以获得大量图像或需要巨大成本才能获得足够的样本，导致目标检测算法在仅有少量样本的情况下难以保证较高的检测准确率。例如，在通讯和电力基础设施的施工建设中，可以采用目标检测算法检测施工人员是否正确佩戴安全护具并给出自动预警提示，以保障施工人员的安全。实际中,由于安全护具种类多、可用训练数据少，采用常规目标检测算法的安全护具检测效果往往不佳。这样的场景下，小样本目标检测技术将小样本学习与目标检测相结合，在仅需少量训练数据的情况下确保较高的检测精度。 针对在少量样本下目标检测模型准确率低、泛化能力差的问题，本文以提升小样本下目标检测方法的检测精度为目标，利用迁移学习、元学习与目标检测结合的思想，将不同特征图之间的互信息作为度量标准，提出了一种基于互信息的小样本目标检测方法，主要研究工作包括: 1.针对小样本目标检测任务，采用卷积神经网络FasterR-CNN作为基线方法，首先使用迁移学习技术在常规数据集上训练模型，并固定特征提取网络，以保证模型的泛化能力。再通过小样本数据集对模型的全连接层进行微调，增强模型在小样本场景下的适应能力。 2.提出一种基于互信息的特征处理和特征对比的小样本目标检测方法，优化了小样本学习过程中目标检测模型对多尺度特征提取和上下文信息的整合能力，增强对新目标物体的分类能力。为验证方法的有效性，在PASCALVOC和COCO数据集上分别设计了对比实验和消融实验。实验结果表明，本文提出的模型在小样本场景下能更加准确地识别新类别目标物体。 3.将基于互信息的小样本目标检测模型用于施工建设中的安全护具检测，提出了一种仅需少量训练数据就能有效检测安全护具佩戴情况的检测模型，并将该模型与基于YOLOv5的安全护具检测模型进行对比，验证了该模型的准确性和效率。
NETL