多尺度深层特征加强的CME小样本目标检测模型

TP391; 针对现有的小样本目标检测模型存在对图像全局语义信息考虑不足、输入图像大小不一而导致检测器性能下降的问题,提出了多尺度深层特征加强的CME小样本目标检测模型.利用大量有标签的基类数据和基于残差跳跃的多层卷积神经网络及多尺度特征增强模块训练一个泛化性良好的模型,经过少量有标签的新类数据和基类数据对模型微调,利用微调后的模型进行目标检测.为验证模型的有效性,使用VOC2007和VOC2012数据集对模型进行训练和评估,相关消融实验证明了引入残差跳跃结构的多层卷积神经网络和多尺度特征增强模块的单独使用和组合使用均可进一步增加模型的准确率.在与6个具有代表性的小样本目标检测模型的对比实验中...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 6; pp. 222 - 229
Main Authors 丁政伟, 白鹤翔, 胡深
Format Journal Article
LanguageChinese
Published 山西大学 计算机与信息技术学院,太原 030006 19.03.2024
Subjects
multiscale feature
deep feature
残差跳跃
多尺度特征
目标检测
小样本学习
object detection
深层特征
residual jumping
few-shot learning
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2211-0419

Cover

More Information
Summary:TP391; 针对现有的小样本目标检测模型存在对图像全局语义信息考虑不足、输入图像大小不一而导致检测器性能下降的问题,提出了多尺度深层特征加强的CME小样本目标检测模型.利用大量有标签的基类数据和基于残差跳跃的多层卷积神经网络及多尺度特征增强模块训练一个泛化性良好的模型,经过少量有标签的新类数据和基类数据对模型微调,利用微调后的模型进行目标检测.为验证模型的有效性,使用VOC2007和VOC2012数据集对模型进行训练和评估,相关消融实验证明了引入残差跳跃结构的多层卷积神经网络和多尺度特征增强模块的单独使用和组合使用均可进一步增加模型的准确率.在与6个具有代表性的小样本目标检测模型的对比实验中表明,多尺度深层特征加深的CME比最先进的检测器得分平均提高4.75个百分点.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2211-0419