摘要
当前目标检测算法的成功,很大程度取决于大量数据的支撑.当数据量较少时,多数目标检测算法无法达到较好的性能水平.有限样本下的目标检测主要研究有标签样本数量较少情况下的目标检测算法.提出一种新的有限样本下的目标检测方法,在具有大量标注信息的基类数据集上训练得到一个具有较强语义特征提取能力的特征提取器以及候选区域推荐网络,将该网络应用于只有少量标注样本的新类数据上训练候选区域推荐网络,同时将所得到的候选区域特征构建成一个目标图,通过采用图卷积神经网络在模拟有限样本的场景下进行训练,从而获得新类测试目标的候选框偏移量以及目标类别.实验证明,所提方法能够解决有限样本目标的分类和定位问题,比采用通用目标检测方法具有更好的泛化能力,具有广泛的潜在应用.
基金项目
教育部人文社会科学研究青年项目(17YJCZH043)
重庆市基础研究与前沿探索项目(cstc2018jcyjAX0287)
国家科技期刊平台
NSTL
万方数据