典型文献
嵌入标签语义的元特征再学习和重加权小样本目标检测
文献摘要：
小样本目标检测(Few-Shot Object Detection,FSOD)中新类相对基类样本少,且新类和基类目标类别不同,导致FSOD方法存在学习到的新类特征判别性不强的问题.为了增强新类元特征的可分性,本文提出了一种嵌入标签语义的元特征再学习和重加权小样本目标检测方法.在小样本训练阶段,本文构建了一个词向量标签语义图产生模块.该产生模块引入标签语义信息生成了词向量标签语义图,用于建模基类和新类间的语义关联.同时,本文构建了一个标签语义嵌入模块.该嵌入模块融入基类和新类间的语义关联,对支持集样本的元特征进行再学习.该再学习过程能够将基类中与新类相关联的特征传递给新类,从而在只有少量新类样本的情况下学习到较好的新类元特征.通过端到端(End-to-End)的训练模型,本文方法增强了新类元特征的可分性,从而提升了新类目标的检测精度.在PASCAL VOC和COCO数据集上的对比和消融实验表明了本文方法的可行性与有效性.与FSODFR方法相比,在PASCAL VOC数据集上2-shot和5-shot下,我们方法的目标检测精度分别提高了 2.2％和4.3％.
文献关键词：
小样本学习;目标检测;小样本目标检测;元学习;标签语义;特征再学习
中图分类号：
作者姓名：
李鹏芳;刘芳;李玲玲;刘旭;冯志玺;焦李成;熊怡梦
作者机构：
西安电子科技大学人工智能学院 西安 710071;教育部智能感知与图像理解重点实验室 西安 710071;国际智能感知与计算研究中心 西安 710071;国际智能感知与计算联合研究实验室 西安 710071
文献出处：
引用格式：
[1]李鹏芳;刘芳;李玲玲;刘旭;冯志玺;焦李成;熊怡梦-.嵌入标签语义的元特征再学习和重加权小样本目标检测)[J].计算机学报,2022(12):2561-2575
A类：
特征再学习,FSODFR
B类：
元特征,重加权,小样本目标检测,Few,Shot,Object,Detection,新类,基类,类目,判别性,可分性,目标检测方法,样本训练,训练阶段,词向量,语义图,标签语义信息,语义关联,语义嵌入,学习过程,相关联,递给,端到端,End,训练模型,方法增强,检测精度,PASCAL,VOC,COCO,消融实验,shot,小样本学习,元学习
AB值：
0.277365
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。
