-
题名基于改进区域提议网络和特征聚合小样本目标检测方法
- 1
-
-
作者
付可意
王高才
邬满
-
机构
广西大学计算机与电子信息学院
广西近海海洋环境科学重点实验室(广西科学院)
广西壮族自治区北部湾碳汇与低碳工程研究中心(广西科学院)
-
出处
《计算机应用》
CSCD
北大核心
2024年第12期3790-3797,共8页
-
基金
国家重点研发计划重点专项(2022YFD2401200)
广西科技重大专项(桂科AA22068072)。
-
文摘
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。
-
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
-
Keywords
Few-Shot Object Detection(FSOD)
metric-based
Region Proposal Network(RPN)
non-linear classifier
feature aggregation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
