首页|元学习与多尺度特征融合的小样本目标检测

元学习与多尺度特征融合的小样本目标检测

Few-shot Object Detection with Meta-learning and Multi-scale Feature Fusion

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
利用深度学习相关方法进行目标检测时,需要大量标注数据,然而对于大型数据集的收集和标注,需要消耗大量人力资源,小样本条件下的目标检测是一个亟待解决的问题,特别是针对新类别.在这项工作中,提出一种基于元学习与多尺度特征融合小样本条件下目标检测的方法.首先,采用VGG16网络的前5个卷积块作为骨干网络,且将第5个卷积块的常规卷积替换为空洞卷积,同时保留第3个卷积块提取的特征,以更好地融合中间层特征.然后,利用特征金字塔网络和像素聚合网络实现多尺度特征融合.特征图经过通道注意力和注意力RPN网络以有效提取感兴趣区域.最后利用原型网络计算支持集多尺度原型向量和查询集ROI特征向量之间的欧氏距离,对目标进行分类.实验在PASCAL VOC数据集上与最常见的方法进行比较,相比于MPSR模型,在1-shot、3-shot、5-shot、10-shot条件下,mAP分别提高了 1.8％、1.1％、1.6％、3.3％,对比实验结果证明提出算法的有效性.本文所提出的模型有效地提高了 Faster R-CNN算法在小样本条件下目标检测精度.

object detectionfew-shotmulti-scale feature fusionprototype networkatrous convolution

李丽芬、范新烨

展开 >

华北电力大学(保定)计算机系,河北保定 071000

华北电力大学(保定)复杂能源系统智能计算教育部工程研究中心,河北保定 071000

目标检测 小样本 多尺度特征融合 原型网络 空洞卷积

国家自然科学基金中央高校基本科研业务费专项

619061812021MS094

2023

10.20009/j.cnki.21-1106/TP.2022-0283

小型微型计算机系统
中国科学院沈阳计算技术研究所

小型微型计算机系统

CSTPCDCSCD北大核心
影响因子：0.564
ISSN：1000-1220
年,卷(期)：2023.44(12)
  • 8