在线推断校准的小样本目标检测

TP391.4; 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....

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 50; no. 1; pp. 83 - 97
Main Authors 彭昊, 王婉祺, 陈龙, 彭先蓉, 张建林, 徐智勇, 魏宇星, 李美惠
Format Journal Article
LanguageChinese
Published 中国科学院大学,北京 100049%中国科学院光电技术研究所,四川成都 610209 2023
中国科学院光电技术研究所,四川成都 610209
Subjects
小样本目标检测
特征通道
RPN
在线校准
分级冻结
Attention-FPN
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2023.220180

Cover

More Information
Summary:TP391.4; 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.
ISSN:1003-501X
DOI:10.12086/oee.2023.220180