计算机应用

作者：姜钧舰, 刘达维, 刘逸凡, 任酉贵, 赵志滨

单位：1.东北大学 计算机科学与工程学院，沈阳 110169；2.辽宁省自然资源事务服务中心，沈阳 110001

关键词：目标检测,小样本学习,孪生网络,深度可分离卷积,对比训练

基金：国家自然科学基金资助项目(U1811261)

基于深度学习的目标检测算法如YOLO（You Only Look Once）和Faster R-CNN（Faster Region-Convolutional Neural Network）需要大量训练数据以保证模型的精度，而在很多场景下获取数据以及标注数据的成本较高；并且由于缺少海量的训练数据，导致检测的范围受限。针对以上问题，提出了一种基于孪生网络的小样本目标检测算法（SiamDet），旨在使用少量标注图像训练具有一定泛化能力的目标检测模型。首先，提出了基于深度可分离卷积的孪生网络，并使用深度可分离卷积设计了特征提取网络ResNet-DW，从而解决了样本不充足带来的过拟合问题；其次，基于孪生网络，提出了目标检测算法SiamDet，并在ResNet-DW的基础上，引入区域建议网络（RPN）来定位感兴趣目标；然后，引入二值交叉熵损失进行训练，并使用对比训练策略，从而增加了类别之间的区分度。实验结果表明，SiamDet在小样本条件下具有良好的目标检测能力，且相较于次优的算法DeFRCN（Decoupled Faster R-CNN），SiamDet在MS-COCO数据集20-way 2-shot和PASCAL VOC数据集5-way 5-shot上的AP50分别增加了4.1%和2.6%。

来源：2023年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第8期