计算机应用

作者：邓杰航, 郭文权, 陈汉杰, 顾国生, 刘景建, 杜宇坤, 刘超, 康晓东, 赵建

单位：1.广东工业大学 计算机学院, 广州 510006；2.广东工业大学 自动化学院, 广州 510006；3.法医病理学公安部重点实验室(广州市刑事科学技术研究所), 广州 510442

关键词：小样本,硅藻检测,卷积神经网络,Transformer,在线难例挖掘,多尺度多头自注意力

基金：国家自然科学基金资助项目(61202267);广东工业大学创新训练项目(xj202111845544);广州市科技计划项目(2019030001)

硅藻训练样本量较少时，检测精度偏低，为此在小样本目标检测模型TFA（Two-stage Fine-tuning Approach）的基础上提出一种融合多尺度多头自注意力（MMS）和在线难例挖掘（OHEM）的小样本硅藻检测模型（MMSOFDD）。首先，结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101，以充分利用硅藻图像的局部和全局信息；然后，改进多头自注意力为MMS，消除了原始多头自注意力的处理目标尺度单一的局限性；最后，引入OHEM到模型预测器中，并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明：与TFA相比，MMSOFDD的平均精度均值（mAP）为69.60%，TFA为63.71%，MMSOFDD提高了5.89个百分点；与小样本目标检测模型Meta R-CNN和FSIW相比，Meta R-CNN和FSIW的mAP分别为61.60%和60.90%，所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且，MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。

来源：2022年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第8期