-
题名基于孪生网络的小样本目标检测算法
被引量：1
- 1
-
-
作者
姜钧舰
刘达维
刘逸凡
任酉贵
赵志滨
-
机构
东北大学计算机科学与工程学院
辽宁省自然资源事务服务中心
-
出处
《计算机应用》
CSCD
北大核心
2023年第8期2325-2329,共5页
-
基金
国家自然科学基金资助项目(U1811261)。
-
文摘
基于深度学习的目标检测算法如YOLO(YouOnlyLookOnce)和FasterR-CNN(FasterRegionConvolutional Neural Network)需要大量训练数据以保证模型的精度,而在很多场景下获取数据以及标注数据的成本较高;并且由于缺少海量的训练数据,导致检测的范围受限。针对以上问题,提出了一种基于孪生网络的小样本目标检测算法(SiamDet),旨在使用少量标注图像训练具有一定泛化能力的目标检测模型。首先,提出了基于深度可分离卷积的孪生网络,并使用深度可分离卷积设计了特征提取网络ResNet-DW,从而解决了样本不充足带来的过拟合问题;其次,基于孪生网络,提出了目标检测算法SiamDet,并在ResNet-DW的基础上,引入区域建议网络(RPN)来定位感兴趣目标;然后,引入二值交叉熵损失进行训练,并使用对比训练策略,从而增加了类别之间的区分度。实验结果表明,SiamDet在小样本条件下具有良好的目标检测能力,且相较于次优的算法DeFRCN(Decoupled Faster R-CNN),SiamDet在MS-COCO数据集20-way 2-shot和PASCAL VOC数据集5-way 5-shot上的AP50分别增加了4.1%和2.6%。
-
关键词
目标检测
小样本学习
孪生网络
深度可分离卷积
对比训练
-
Keywords
object detection
few-shot learning
Siamese network
depthwise separable convolution
contrast training
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
