自监督的两阶段广义小样本目标检测算法 被引量：1

1

作者 段立娟 张子晨 张广勇 《信号处理》 北大核心 2025年第2期370-381,共12页

深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上。在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难。因此,小样本目标检测领域因其能够应对样本稀疏性所带来的... 深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上。在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难。因此,小样本目标检测领域因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究。该领域的研究目标是得到能够从极其有限的样本中提取知识并实现高效目标检测的算法框架。然而,由于新类样本的稀缺性,其与基类之间存在着显著的分布差异,导致了小样本目标检测任务的准确度受限。此外,在对模型应用新类进行微调的过程中,由于新类与基类的不重叠性,模型学习新类的特征知识的过程中会存在大量的梯度更新,导致基类的特征知识被遗忘的问题,从而降低模型的整体性能。针对新类别样本稀缺的问题,本研究采用自监督学习策略。自监督学习,无须依赖标注信息,便于构建代理任务以进行模型训练,是缓解小样本目标检测样本稀缺问题的有效方案。为了避免模型在学习新类特征知识后出现基类灾难性遗忘的问题,本文将自监督学习与两阶段的目标检测器相结合。通过在类别域应用潜在特征来表示各个类别的特征信息,通过动态更新策略在学习新类别的过程中进一步优化特征,并借助检测框域构建良好的代理任务提升回归框的精准度。本研究在PASCAL VOC数据集和MS COCO数据集上进行大量的实验验证,实验结果表明,无论是在新类性能方面还是总体性能方面,本研究所提出的方法相较于其他多个小样本目标检测模型均展现出更加优越的性能表现。 展开更多

关键词 深度学习 自监督学习 小样本目标检测 广义小样本目标检测

在线阅读 下载PDF 职称材料

融合迁移校正与自适应知识蒸馏的小样本目标检测

2

作者 张英俊 薛凡 +1 位作者 谢斌红 张睿 《计算机应用研究》 北大核心 2025年第5期1576-1582,共7页

针对目前基于微调范式的小样本目标检测方法存在模型偏差和检测器难以区分类无关知识的问题,提出一种融合迁移校正与自适应知识蒸馏的小样本目标检测方法(TCAD-FSOD)。其中,对于偏差问题,设计了物体感知RPN模块(OA-RPN)和分布校正模块(D... 针对目前基于微调范式的小样本目标检测方法存在模型偏差和检测器难以区分类无关知识的问题,提出一种融合迁移校正与自适应知识蒸馏的小样本目标检测方法(TCAD-FSOD)。其中,对于偏差问题,设计了物体感知RPN模块(OA-RPN)和分布校正模块(DCM)。OA-RPN利用背景筛选机制校正有偏差的RPN结果,DCM利用基类信息辅助校正有偏差的新类分布。对于检测器难以区分类无关知识的问题,提出了自适应温度知识蒸馏模块(ATKD)。ATKD通过自适应温度生成器进行精细的知识蒸馏,使检测器能够渐进式地显式学习基类与新类之间与识别相关的共性知识。实验结果表明,相较于目前已知的最新算法结果,该方法在PASCAL VOC数据集的性能最高提升可以达到2.7%,在COCO上最高提升了0.7%,说明TCAD-FSOD算法能够有效缓解模型偏差,提升对新类的识别能力。 展开更多

关键词 小样本目标检测 迁移学习 物体感知RPN 知识蒸馏 分布校正

在线阅读 下载PDF 职称材料

基于条件扩散模型样本生成的小样本目标检测

3

作者 梅天灿 王亚茹 陈元豪 《电子与信息学报》 北大核心 2025年第4期1182-1191,共10页

利用生成模型为小样本目标检测提供额外样本是解决样本稀缺问题的方法之一。现有生成额外样本的方法,多关注于生成样本的多样性,而忽略了生成样本的质量和代表性。为解决这一问题,该文提出了一个新的基于数据生成的小样本目标检测框架F... 利用生成模型为小样本目标检测提供额外样本是解决样本稀缺问题的方法之一。现有生成额外样本的方法,多关注于生成样本的多样性,而忽略了生成样本的质量和代表性。为解决这一问题,该文提出了一个新的基于数据生成的小样本目标检测框架FQRS。首先,构造类间条件控制模块使得数据生成器能够学习不同类别间的关系,利用基类和新类的类间关系信息辅助模型估计新类的分布,从而提高生成样本的质量。其次,设计类内条件控制模块,利用交并比(IOU)信息限制生成样本在特征空间的位置,通过控制生成的样本更聚集于类别的中心,确保它们能够捕捉对应类别的关键特征,从而提高生成样本的代表性。在PASCAL VOC和MS COCO数据集上进行测试,在不同小样本条件下,该文提出的模型均超过当前最好的两阶段微调目标检测模型—解耦的更快区域卷积神经网络(DeFRCN)。实验验证了该文方法在小样本目标检测上具有出色的检测效果。 展开更多

关键词 小样本目标检测 深度学习 数据增强 样本生成

在线阅读 下载PDF 职称材料

基于最小化背景判别性知识的小样本目标检测算法

4

作者 张雅楠 宋飞 +3 位作者 靳毅凡 王晓明 刘立祥 李江梦 《自动化学报》 北大核心 2025年第7期1525-1545,共21页

在小样本目标检测领域,“训练和微调”两阶段表征学习范式因学习策略简单,应用广泛.然而,通过探索性实验发现,基于该范式的模型容易将新类别实例错误地分类为背景类,从而降低对新类的识别能力.为解决这一问题,提出构造一个正则化分类器... 在小样本目标检测领域,“训练和微调”两阶段表征学习范式因学习策略简单,应用广泛.然而,通过探索性实验发现,基于该范式的模型容易将新类别实例错误地分类为背景类,从而降低对新类的识别能力.为解决这一问题,提出构造一个正则化分类器,并使用“最小化背景判别性知识的调节器(BDKMR)”来引导分类器训练.BDKMR通过“最小化背景判别性知识的交叉lp正则项”显式地减少背景判别性知识对构建新类分类器的干扰,并利用“权重范数管理器”调节分类器中各类别的权重范数,以提高模型对新类别的关注度,同时降低其对背景类别的偏好.此外,考虑到BDKMR可能改变特征空间分布,提出“分类器解耦模块”,以调控模型微调过程中正则化分类器对特征提取器学习的影响.多个数据集上的实验结果表明,所提出的方法能够有效减少模型对新类实例的错误分类,进而显著提升对新类的检测性能. 展开更多

关键词 小样本学习 小样本目标检测 正则项 判别性知识

在线阅读 下载PDF 职称材料

应用于无人机载计算平台的轻量化小样本目标检测方法

5

作者 王凤杰 潘崇煜 +2 位作者 邓汉强 王宇 黄健 《计算机应用与软件》 北大核心 2025年第7期140-147,共8页

深度学习通常需要大数据驱动,在数据较为稀缺的领域如军事领域、医学领域等具有一定的局限性。针对军事领域中的标签样本数据稀缺问题,提出一种目标候选区域生成、预训练模型提取特征、支持向量机分类所组成的分段式小样本目标检测方法... 深度学习通常需要大数据驱动,在数据较为稀缺的领域如军事领域、医学领域等具有一定的局限性。针对军事领域中的标签样本数据稀缺问题,提出一种目标候选区域生成、预训练模型提取特征、支持向量机分类所组成的分段式小样本目标检测方法。为验证算法有效性,采用无人机航拍采集了具有实际参考价值的军事模型目标的图像数据,并构造数据集,基于该数据集在RK3399Pro嵌入式计算平台上展开实验,获得了最高准确率达27.3%和召回率达62.4%以及较好的实时性。在此基础上,引入基于先验知识的定位约束,进一步提升方法性能。 展开更多

关键词 小样本目标检测 军事目标 轻量化模型 机载计算平台

在线阅读 下载PDF 职称材料

融合多尺度和注意力机制的小样本目标检测

6

作者 李鸿天 史鑫昊 +3 位作者 潘卫国 徐成 徐冰心 袁家政 《计算机应用》 CSCD 北大核心 2024年第5期1437-1444,共8页

现有基于微调的二阶段小样本目标检测方法对新类特征不敏感,易将新类别误判成与它相似度高的基类,影响模型的检测性能。针对上述问题,提出一种融合多尺度和注意力机制的小样本目标检测(MA-FSOD)算法。首先在骨干网络使用分组卷积和大卷... 现有基于微调的二阶段小样本目标检测方法对新类特征不敏感,易将新类别误判成与它相似度高的基类,影响模型的检测性能。针对上述问题,提出一种融合多尺度和注意力机制的小样本目标检测(MA-FSOD)算法。首先在骨干网络使用分组卷积和大卷积核提取更具类别区分性的特征,并加入卷积注意力模块(CBAM)实现特征的自适应增强;再通过改进的金字塔网络实现多尺度的特征融合,使候选框生成网络(RPN)可以准确找到感兴趣区域(RoI),从多个尺度向分类头提供更丰富的高质量正样本;最后在微调阶段采用余弦分类头进行分类,降低类内方差。在PASCAL-VOC 2007/2012数据集上与基于候选框编码对比损失的小样本目标检测(FSCE)算法相比,MA-FSOD算法对新类的AP_(50)提升了5.6个百分点;在更具挑战性的MSCOCO数据集中,与Meta-Faster-RCNN相比,10-shot和30-shot对应的AP则分别提升了0.1个百分点和1.6个百分点。实验结果表明,相较于一些主流的小样本目标检测算法,MA-FSOD算法能更有效地缓解误分类问题,实现更高精度的小样本目标检测。 展开更多

关键词 迁移学习 小样本目标检测 注意力机制 多尺度特征融合 余弦相似度

在线阅读 下载PDF 职称材料

基于改进区域提议网络和特征聚合小样本目标检测方法

7

作者 付可意 王高才 邬满 《计算机应用》 CSCD 北大核心 2024年第12期3790-3797,共8页

在现有的小样本目标检测中,区域提议网络(RPN)通常是在基类数据上训练以生成新类候选框;然而新类数据相较于基类更稀缺,在引入时可能产生与目标物不同的复杂背景,导致RPN将背景误认为前景,遗漏高交并比(IoU)值候选框。针对上述问题,提... 在现有的小样本目标检测中,区域提议网络(RPN)通常是在基类数据上训练以生成新类候选框;然而新类数据相较于基类更稀缺,在引入时可能产生与目标物不同的复杂背景,导致RPN将背景误认为前景,遗漏高交并比(IoU)值候选框。针对上述问题,提出一种基于改进RPN和特征聚合小样本目标检测方法(IFA-FSOD)。首先,基于RPN进行改进,即通过在RPN中设计一个基于度量的非线性分类器,计算骨干网络提取的特征和新类特征之间的相似度,以提高对新类候选框的召回率,从而筛选高IoU候选框;其次,在感兴趣区域对齐(RoI Align)中引入基于注意力机制的特征聚合模块(FAM),并通过设计不同尺度的网格,获取更全面的信息和特征表示,从而缓解因尺度不同引起的特征信息缺失。实验结果表明,相较于QA-FewDet(Query Adaptive Few-shot object Detection)方法,IFA-FSOD方法在PASCAL VOC数据集的新类上的Novel Set 3中的10-shot下的新类别平均精度(50%IoU)(nAP50)提升了4.5个百分点;相较于FsDetView(Few-shot object Detection and Viewpoint estimation)方法,在10-shot和30-shot设置下,IFA-FSOD方法在COCO数据集的新类上的平均精度均值(mAP)分别提升了0.2和0.8个百分点。可见改进RPN和特征聚合(IFA)能有效提高在小样本情况下对目标类别的检测性能,并解决高IoU值候选框遗漏和特征信息捕捉不全的问题。 展开更多

关键词 小样本目标检测 基于度量 区域提议网络 非线性分类器 特征聚合

在线阅读 下载PDF 职称材料

基于解耦的小样本目标检测方法研究

8

作者 蔡伟 王鑫 +2 位作者 蒋昕昊 杨志勇 陈栋 《系统工程与电子技术》 EI CSCD 北大核心 2024年第9期2941-2950,共10页

针对小样本激化的目标检测耦合问题,以高价值空中目标为研究对象,提出一种基于解耦的小样本目标检测算法。首先,在区域候选网络中引入梯度调整层,强化区域候选网络,缓和任务耦合问题。其次,将目标检测头拆解成分类和回归两个分支,在前... 针对小样本激化的目标检测耦合问题,以高价值空中目标为研究对象,提出一种基于解耦的小样本目标检测算法。首先,在区域候选网络中引入梯度调整层,强化区域候选网络,缓和任务耦合问题。其次,将目标检测头拆解成分类和回归两个分支,在前端添加无参平均注意力模块,缓和特征耦合问题。所提算法可以提高小样本目标检测性能,增强对新类的检测能力。实验结果表明,所提算法在1、2、3、5、10样本实验中均表现最佳,平均精度分别达到32.5%、35.6%、39.6%、41.2%和57.4%。相较于两阶段微调方法,所提算法检测性能大幅度提高,能够解决在小样本激化的耦合矛盾下网络检测能力下降的问题,提升对小样本高价值空中目标的检测精度。 展开更多

关键词 小样本目标检测 空中目标 耦合问题 深度学习

在线阅读 下载PDF 职称材料

基于背景抑制和分类校正的小样本目标检测方法

9

作者 蔡伟 王鑫 +2 位作者 蒋昕昊 杨志勇 陈栋 《应用光学》 CAS 北大核心 2024年第2期405-414,共10页

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减... 为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。 展开更多

关键词 小样本目标检测 空中来袭目标 背景抑制 分类校正 深度学习

在线阅读 下载PDF 职称材料

基于小样本目标检测的配电线路异物识别

10

作者 黄志鸿 刘帅 +2 位作者 张辉 梁志佳 吴晟 《科学技术与工程》 北大核心 2024年第32期13935-13943,共9页

为了解决小样本目标检测算法中网络倾斜现象,小样本数据误检、漏检等问题,提出一种基于小样本目标检测的配电线路异物识别方法。首先,通过在迁移训练中引入注意力机制,解决网络倾斜现象。其次,提出在线难度样本选择的方法,解决小样本分... 为了解决小样本目标检测算法中网络倾斜现象,小样本数据误检、漏检等问题,提出一种基于小样本目标检测的配电线路异物识别方法。首先,通过在迁移训练中引入注意力机制,解决网络倾斜现象。其次,提出在线难度样本选择的方法,解决小样本分类以及小尺寸异物误检和漏检问题。再次,采用内卷积解决传统卷积问题,提高异物检测精度。再次,提出新的锚框方案,解决小尺寸异物目标定位不准问题。最后,构建一个配电线路异物数据集。该方法相较于之前先进算法在配电线路异物检测数据集上检测精度提高了4.4%,达到98.6%,具有优异性能。 展开更多

关键词 配电线路异物检测 小样本目标检测 迁移学习 注意力机制 异物检测

在线阅读 下载PDF 职称材料

结合多尺度上下文信息的唐卡小样本目标检测

11

作者 胡文瑾 唐慧媛 +1 位作者 乐超洋 宋华飞 《光学精密工程》 EI CAS CSCD 北大核心 2023年第12期1859-1869,共11页

通过对图像中感兴趣的对象进行分类与定位,能够帮助人们理解唐卡图像丰富的语义信息,促进文化传承。针对唐卡图像样本较少,背景复杂,检测目标存在遮挡,检测精度不高等问题,本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样... 通过对图像中感兴趣的对象进行分类与定位,能够帮助人们理解唐卡图像丰富的语义信息,促进文化传承。针对唐卡图像样本较少,背景复杂,检测目标存在遮挡,检测精度不高等问题,本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样本目标检测算法。首先,构建了一个新的多尺度特征金字塔,学习唐卡图像的多层级特征和上下文信息,提高模型对多尺度目标的判别能力。其次,在特征金字塔末端加入双注意力引导模块,提升模型对关键特征的表征能力,同时降低噪声的影响。最后利用Rank&Sort Loss替换交叉熵分类损失,简化模型训练的复杂度并提升检测精度。实验结果表明,所提出的方法在唐卡数据集和COCO数据集上的10-shot实验中,平均检测精度分别达到了19.7%和11.2%。 展开更多

关键词 唐卡 小样本目标检测 上下文信息 多尺度特征 双注意力机制

在线阅读 下载PDF 职称材料

嵌入标签语义的元特征再学习和重加权小样本目标检测 被引量：6

12

作者 李鹏芳 刘芳 +4 位作者 李玲玲 刘旭 冯志玺 焦李成 熊怡梦 《计算机学报》 EI CAS CSCD 北大核心 2022年第12期2561-2575,共15页

小样本目标检测(Few-Shot Object Detection,FSOD)中新类相对基类样本少,且新类和基类目标类别不同,导致FSOD方法存在学习到的新类特征判别性不强的问题.为了增强新类元特征的可分性,本文提出了一种嵌入标签语义的元特征再学习和重加权... 小样本目标检测(Few-Shot Object Detection,FSOD)中新类相对基类样本少,且新类和基类目标类别不同,导致FSOD方法存在学习到的新类特征判别性不强的问题.为了增强新类元特征的可分性,本文提出了一种嵌入标签语义的元特征再学习和重加权小样本目标检测方法.在小样本训练阶段,本文构建了一个词向量标签语义图产生模块.该产生模块引入标签语义信息生成了词向量标签语义图,用于建模基类和新类间的语义关联.同时,本文构建了一个标签语义嵌入模块.该嵌入模块融入基类和新类间的语义关联,对支持集样本的元特征进行再学习.该再学习过程能够将基类中与新类相关联的特征传递给新类,从而在只有少量新类样本的情况下学习到较好的新类元特征.通过端到端(End-to-End)的训练模型,本文方法增强了新类元特征的可分性,从而提升了新类目标的检测精度.在PASCAL VOC和COCO数据集上的对比和消融实验表明了本文方法的可行性与有效性.与FSODFR方法相比,在PASCAL VOC数据集上2-shot和5-shot下,我们方法的目标检测精度分别提高了2.2%和4.3%. 展开更多

关键词 小样本学习 目标检测 小样本目标检测 元学习 标签语义 特征再学习

在线阅读 下载PDF 职称材料

在线推断校准的小样本目标检测 被引量：1

13

作者 彭昊 王婉祺 +5 位作者 陈龙 彭先蓉 张建林 徐智勇 魏宇星 李美惠 《光电工程》 CAS CSCD 北大核心 2023年第1期83-96,共14页

针对少量样本条件下模型易过拟合、目标错检与漏检问题,本文基于TFA (two-stage fine-tuning approach)提出了一种在线推断校准的小样本目标检测框架。该框架设计了一种全新的Attention-FPN网络,通过建模特征通道间的依赖关系选择性融... 针对少量样本条件下模型易过拟合、目标错检与漏检问题,本文基于TFA (two-stage fine-tuning approach)提出了一种在线推断校准的小样本目标检测框架。该框架设计了一种全新的Attention-FPN网络,通过建模特征通道间的依赖关系选择性融合特征,结合分级冻结的学习机制引导RPN模块提取正确的新类前景目标;同时,构建了一种在线校准模块对样本进行实例分割编码,对众多候选目标进行评分重加权处理,纠正误检和漏检的预测目标。结果表明,所提算法在VOC数据集Novel Set1中,五个任务的平均nAP50提升10.16%,在性能上优于目前的主流算法。 展开更多

关键词 小样本目标检测 Attention-FPN 特征通道 分级冻结 在线校准 RPN

在线阅读 下载PDF 职称材料

小样本目标检测研究综述 被引量：20

14

作者 刘春磊 陈天恩 +2 位作者 王聪 姜舒文 陈栋 《计算机科学与探索》 CSCD 北大核心 2023年第1期53-73,共21页

目标检测是计算机视觉方向的热点领域,其通常需要大量的标注图像用于模型训练,这将花费大量的人力和物力来实现。同时,由于真实世界中的数据存在固有的长尾分布,大部分对象的样本数量都比较稀少,比如众多非常见疾病等,很难获得大量的标... 目标检测是计算机视觉方向的热点领域,其通常需要大量的标注图像用于模型训练,这将花费大量的人力和物力来实现。同时,由于真实世界中的数据存在固有的长尾分布,大部分对象的样本数量都比较稀少,比如众多非常见疾病等,很难获得大量的标注图像。小样本目标检测只需要提供少量的标注信息,就能够检测出感兴趣的对象,对小样本目标检测方法做了详细综述。首先回顾了通用目标检测的发展及其存在的问题,从而引出小样本目标检测的概念,对同小样本目标检测相关的其他任务做了区分阐述。之后介绍了现有小样本目标检测基于迁移学习和基于元学习的两种经典范式。根据不同方法的改进策略,将小样本目标检测分为基于注意力机制、图卷积神经网络、度量学习和数据增强四种类型,对这些方法中使用到的公开数据集和评估指标进行了说明,对比分析了不同方法的优缺点、适用场景以及在不同数据集上的性能表现。最后讨论了小样本目标检测的实际应用领域和未来的研究趋势。 展开更多

关键词 目标检测 小样本目标检测 元学习 迁移学习

在线阅读 下载PDF 职称材料

基于注意力机制和元特征二次重加权的小样本目标检测 被引量：4

15

作者 林润超 黄荣 董爱华 《计算机应用》 CSCD 北大核心 2022年第10期3025-3032,共8页

在基于迁移学习的小样本目标检测任务中,由于缺乏关注图像中待检测目标的注意力机制,所以现有模型对于待检测目标周边背景区域的抑制能力不强,且在迁移学习过程中通常需要对元特征进行微调来实现跨域共享,这将引起元特征偏移,从而导致... 在基于迁移学习的小样本目标检测任务中,由于缺乏关注图像中待检测目标的注意力机制,所以现有模型对于待检测目标周边背景区域的抑制能力不强,且在迁移学习过程中通常需要对元特征进行微调来实现跨域共享,这将引起元特征偏移,从而导致模型对大样本图像检测能力的下降。针对上述问题,基于注意力机制和元特征二次重加权机制,提出改进的元特征迁移模型Up-YOLOv3。首先,在原始元特征迁移模型Base-YOLOv2中引入基于卷积块注意力模块(CBAM)的注意力机制,使特征提取网络聚焦于图像中的目标区域并关注图像目标类别的细节特征,从而提升模型对小样本图像目标的检测性能;其次,引入基于压缩-激励(SE)的元特征二次重加权模块(SE-SMFR)对大样本图像的元特征进行二次重加权,以获取二次重加权元特征,使模型在提升小样本目标检测性能的同时也能减小大样本图像元特征信息的权重偏移。实验结果表明,在PASCAL VOC2007/2012数据集上,相较于Base-YOLOv2,Up-YOLOv3针对小样本图像检测的平均准确率均值(mAP)提升了2.3~9.1个百分点;相较于原始的基于YOLOv3元特征迁移模型Base-YOLOv3,Up-YOLOv3针对大样本图像的mAP提升了1.8~2.4个百分点。可见,改进后模型对不同类别的大样本图像和小样本图像均具有良好的泛化能力和鲁棒性。 展开更多

关键词 小样本目标检测 元特征迁移 特征重加权 注意力机制 二次重加权

在线阅读 下载PDF 职称材料

小样本目标检测研究综述 被引量：21

16

作者 史燕燕 史殿习 +3 位作者 乔子腾 张轶 刘洋洋 杨绍武 《计算机学报》 EI CAS CSCD 北大核心 2023年第8期1753-1780,共28页

数据驱动下的深度学习技术在计算机视觉领域取得重大突破,但模型的高性能严重依赖于大量标注样本的训练.然而在实际场景当中,大规模数据的获取和高质量的标注十分困难,限制了其在特定应用领域的进一步推广.近年来小样本学习在目标检测... 数据驱动下的深度学习技术在计算机视觉领域取得重大突破,但模型的高性能严重依赖于大量标注样本的训练.然而在实际场景当中,大规模数据的获取和高质量的标注十分困难,限制了其在特定应用领域的进一步推广.近年来小样本学习在目标检测领域的发展,为解决上述问题提供了新的研究思路.小样本目标检测旨在通过少量标注样本实现对图像中目标的分类和定位.本文从任务和问题、学习策略、检测方法、数据集与实验评估等角度出发,对当前小样本目标检测的研究成果加以梳理和总结.首先,系统性地阐述了小样本目标检测的任务定义及核心问题,并讨论了当前方法采用的学习策略.其次,从工作原理角度出发,将现有检测方法归纳总结为四类,对这四类检测方法的核心思想、特点、优势及存在的不足进行了系统性的阐述,为不同场景下选择不同的方法提供了依据.之后,本文对目前小样本目标检测采用的典型数据集、实验设计及性能评估指标进行了深入分析,进而对四类典型方法在数据集上的实验结果进行概括总结,尤其是对部分典型方法的检测性能进行了系统性对比分析.最后,立足于现有方法的优势和劣势,我们指出当前方法面临的挑战,并对下一阶段小样本目标检测技术未来的发展趋势提出了见解,期望为该领域的后续研究提供参考. 展开更多

关键词 深度学习 目标检测 小样本学习 小样本目标检测

在线阅读 下载PDF 职称材料

多阶段特征重分布算法的小样本目标检测

17

作者 刘露露 贺占庄 +2 位作者 马钟 刘彬 王莉 《电子科技大学学报》 EI CAS CSCD 北大核心 2023年第1期116-124,共9页

深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务... 深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务下源域数据和目标域数据分布不一致的问题;通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中,进一步提高知识迁移效率。在VOC数据集上的大量实验表明,与现有小样本目标检测算法相比,该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时,较大限度地保持了对源域类别的检测精度,具有较大的实用价值。 展开更多

关键词 深度神经网络 特征向量重分布 小样本目标检测 多阶段训练

在线阅读 下载PDF 职称材料

基于卷积和注意力机制的小样本目标检测 被引量：2

18

作者 郭永红 牛海涛 +1 位作者 史超 郭铖 《兵工学报》 EI CAS CSCD 北大核心 2023年第11期3508-3515,共8页

小样本目标检测(FSOD)旨在使检测器只用少量的训练样本就能适应未见的类别。典型的FSOD方法使用Faster R-CNN作为基本检测框架,利用卷积神经网络提取图像特征,而卷积神经网络中采用的旨在捕获尽可能多的图像信息的池化操作将不可避免地... 小样本目标检测(FSOD)旨在使检测器只用少量的训练样本就能适应未见的类别。典型的FSOD方法使用Faster R-CNN作为基本检测框架,利用卷积神经网络提取图像特征,而卷积神经网络中采用的旨在捕获尽可能多的图像信息的池化操作将不可避免地导致图像信息的丢失。在主干网络中引入混合扩张卷积,以确保更大的感受野并最大限度地减少图像信息的损失。在k-shot设置中,为充分利用给定的支持数据,提出支持特征动态融合模块,以每个支持特征和查询特征之间的相关性为权重,自适应地融合支持特征,以获得更强大的支持线索。实验结果表明,新方法在公共Pascal VOC和MS-COCO数据集上实现了较好的FSOD性能。 展开更多

关键词 小样本目标检测 混合扩张卷积 支持特征动态融合

在线阅读 下载PDF 职称材料

一种基于元学习的改进YOLO钢管表面缺陷小样本检测模型 被引量：2

19

作者 李凌波 田彦 +1 位作者 江旭东 董宝力 《机电工程》 北大核心 2025年第5期985-993,共9页

针对产品表面缺陷样本数稀缺时的深度学习缺陷检测效果不佳问题,提出了一种基于元学习策略的改进YOLO-SBN模型,用于小样本缺陷检测。首先,为了提高提取全局特征信息的能力,采用了Swin Transformer作为骨干网络模型,引入注意力机制提取... 针对产品表面缺陷样本数稀缺时的深度学习缺陷检测效果不佳问题,提出了一种基于元学习策略的改进YOLO-SBN模型,用于小样本缺陷检测。首先,为了提高提取全局特征信息的能力,采用了Swin Transformer作为骨干网络模型,引入注意力机制提取了特征图的判别能力;然后,为了提高特征融合能力并降低计算复杂度,通过加权双向特征金字塔网络(BiFPN)结构优化了特征提取器的颈部网络,平衡了YOLO-SBN模型的有效性和效率;最后,采用归一化注意力模块(NAM)优化权重调整了模块,增强了浅层缺陷特征的模型表达,并基于这些增强的特征进行了检测;使用金属表面热轧缺陷公开数据集NEU-DET验证了YOLO-SBN模型的算法性能。研究结果表明:对于小样本缺陷检测,YOLO-SBN模型在平均准确率(mAP)方面提高了4.1%;在新类缺陷样本规模数量为50的小样本情况下,改进后的检测模型对新类数据适应性最强。由此可见,该YOLO-SBN模型在提高检测精度和提升模型泛化能力方面具有一定优势。 展开更多

关键词 小样本目标检测 表面缺陷 元学习 特征网络 归一化注意力模块 平均准确率 双向特征金字塔网络(BiFPN)

在线阅读 下载PDF 职称材料

结合新类特征增强与度量机制的小样本目标检测算法

20

作者 张嘉祥 李晓明 张佳慧 《计算机应用》 2025年第9期2984-2992,共9页

针对现有的小样本目标检测算法中模型对新类别的特征参数敏感度较低和难以准确区分类别相关和类别无关参数,导致特征边界模糊以及类别混淆的问题,提出一种结合新类特征增强与度量机制的小样本目标检测算法(FEMM-FSOD)。首先,提出跨域参... 针对现有的小样本目标检测算法中模型对新类别的特征参数敏感度较低和难以准确区分类别相关和类别无关参数,导致特征边界模糊以及类别混淆的问题,提出一种结合新类特征增强与度量机制的小样本目标检测算法(FEMM-FSOD)。首先,提出跨域参数感知模块(CDPM)改进颈部网络,重构通道和空间的特征重加权操作,并结合空洞卷积采用跨阶段的信息传递与特征融合方式,以提供丰富的梯度信息导向并提升新类别参数的敏感性;同时,在感兴趣区域池化(RoI Pooling)前构造多元相关特征融合模块(ICMF),以建立特征之间的相关性并动态优化相关特征的融合方式,从而增强显著特征。CDPM与ICMF的引入有效了增强新类别的特征表示,从而减轻特征边界模糊的现象。此外,为进一步减轻类别混淆,在检测头部分提出基于度量机制的正交损失函数CohSep Loss(CoherenceSeparation Loss),以通过度量特征向量相似度实现类内特征聚合和类间特征分离。实验结果表明,相较于基线算法TFA(Two-stage Fine-tuning Approach),在PASCAL VOC数据集上,所提算法在15种小样本实例个数的mAP50(阈值为0.50时新类别的平均精度均值(mAP))上提升了5.3个百分点;在COCO数据集上,所提算法在10shot和30shot对应的mAP(阈值为0.50~0.95时新类别的mAP)上分别提升了3.6和5.2个百分点,实现了更高精度的小样本目标检测。 展开更多

关键词 迁移学习 小样本目标检测 特征增强 类别混淆 正交损失

在线阅读 下载PDF 职称材料