计算机应用

作者：付可意, 王高才, 邬满

单位：1.广西大学 计算机与电子信息学院，南宁 530004；2.广西近海海洋环境科学重点实验室（广西科学院），南宁 530007；3.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），南宁 530007

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

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)

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。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期