基于关联和识别的少样本目标检测

作     者：贾剑利 韩慧妍 况立群 韩方正 郑心怡 张秀权 Jia Jianli;Han Huiyan;Kuang Liqun;Han Fangzheng;Zheng Xinyi;Zhang Xiuquan

作者机构：中北大学计算机科学与技术学院山西太原030051 机器视觉与虚拟现实山西省重点实验室山西太原030051 山西省视觉信息处理及智能机器人工程研究中心山西太原030051 

出 版 物：《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期：2024年第61卷第8期

页      面：461-472页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：山西省科技重大专项计划“揭榜挂帅”项目(202201150401021) 山西省科技成果转化引导专项(202104021301055) 面向家庭机器人的场景分割及表征方法研究(202303021211153) 中北大学机器视觉与虚拟现实重点实验室研究基金资助项目(447-110103) 

主　　题：少样本目标检测 关联和识别 动态感兴趣区域头 通道注意力 边界损失 

摘      要：当前基于深度学习的目标检测算法已较为成熟。然而,基于少量样本检测新类仍具有挑战性,因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练,在此基础上构建新类的特征空间。然而,新类基于多个基类隐式地构造特征空间,其结构较为分散,导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头,提升模型对训练样本的利用率,基于二者间的语义相似度,显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数,提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明,所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。