典型文献
有限样本下基于图卷积神经网络的目标检测方法研究
文献摘要：
当前目标检测算法的成功,很大程度取决于大量数据的支撑.当数据量较少时,多数目标检测算法无法达到较好的性能水平.有限样本下的目标检测主要研究有标签样本数量较少情况下的目标检测算法.提出一种新的有限样本下的目标检测方法,在具有大量标注信息的基类数据集上训练得到一个具有较强语义特征提取能力的特征提取器以及候选区域推荐网络,将该网络应用于只有少量标注样本的新类数据上训练候选区域推荐网络,同时将所得到的候选区域特征构建成一个目标图,通过采用图卷积神经网络在模拟有限样本的场景下进行训练,从而获得新类测试目标的候选框偏移量以及目标类别.实验证明,所提方法能够解决有限样本目标的分类和定位问题,比采用通用目标检测方法具有更好的泛化能力,具有广泛的潜在应用.
文献关键词：
深度学习;目标检测;少样本学习
中图分类号：
作者姓名：
黄丹;陈志;冯欣;杨武
作者机构：
中国兵器科学研究院,北京 100089;重庆理工大学 计算机科学与工程学院,重庆 400054
文献出处：
引用格式：
[1]黄丹;陈志;冯欣;杨武-.有限样本下基于图卷积神经网络的目标检测方法研究)[J].重庆理工大学学报,2022(06):172-180
A类：
B类：
有限样本,图卷积神经网络,目标检测方法,目标检测算法,数据量,少时,样本数量,标注信息,基类,练得,语义特征,特征提取能力,候选区域,区域推荐网络,网络应用,新类,区域特征,特征构建,标图,测试目标,候选框,偏移量,定位问题,泛化能力,潜在应用,少样本学习
AB值：
0.307784
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
