典型文献
多尺度选择金字塔网络的小样本目标检测算法
文献摘要：
目标检测是把图像中指定的目标检测出来,这一技术已经广泛运用于自动驾驶、人脸识别等领域,已成为国内外计算机视觉领域的一大研究热点.传统的目标检测往往需要大量标注的数据集,如何在只有少量带注释样本的情况下进行目标检测是一个挑战.针对此问题,提出了一种多尺度选择金字塔网络的小样本目标检测算法,使检测不再依赖于大规模标签数据集.首先,设计了一个用于小样本目标检测的多尺度选择金字塔网络,它由三个组件组成:上下文层注意力模块、特征尺度增强模块、特征尺度选择模块.然后,在RPN网络产生的RoI特征后采用最大池化和平均池化来提升特征之间的相关性,之后进行特征融合,并且采用特征减法来突出特征中的类别信息,在保持模型对样本参数稳定性的前提下提高了对新类参数的敏感度;最后,采用正交映射损失函数使模型在分类层前就约束特征,即使在少量样本情况下也能够很好地衡量特征间的相似性.
文献关键词：
目标检测;小样本;正交映射损失;特征融合
中图分类号：
作者姓名：
彭豪;李晓明
作者机构：
太原科技大学 计算机科学与技术学院,太原 030024;太原科技大学 计算机科学与技术学院 计算机重点实验室,太原 030024
文献出处：
引用格式：
[1]彭豪;李晓明-.多尺度选择金字塔网络的小样本目标检测算法)[J].计算机科学与探索,2022(07):1649-1660
A类：
大规模标签,正交映射损失
B类：
尺度选择,金字塔网络,小样本目标检测,目标检测算法,自动驾驶,人脸识别,计算机视觉,大研,标签数据集,上下文,层注意力,注意力模块,特征尺度,RPN,RoI,最大池化,平均池化,特征融合,减法,突出特征,类别信息,本参,新类,损失函数,少量样本
AB值：
0.278719
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。
