典型文献
基于注意力机制和元特征二次重加权的小样本目标检测
文献摘要：
在基于迁移学习的小样本目标检测任务中,由于缺乏关注图像中待检测目标的注意力机制,所以现有模型对于待检测目标周边背景区域的抑制能力不强,且在迁移学习过程中通常需要对元特征进行微调来实现跨域共享,这将引起元特征偏移,从而导致模型对大样本图像检测能力的下降.针对上述问题,基于注意力机制和元特征二次重加权机制,提出改进的元特征迁移模型Up-YOLOv3.首先,在原始元特征迁移模型Base-YOLOv2中引入基于卷积块注意力模块(CBAM)的注意力机制,使特征提取网络聚焦于图像中的目标区域并关注图像目标类别的细节特征,从而提升模型对小样本图像目标的检测性能;其次,引入基于压缩?激励(SE)的元特征二次重加权模块(SE-SMFR)对大样本图像的元特征进行二次重加权,以获取二次重加权元特征,使模型在提升小样本目标检测性能的同时也能减小大样本图像元特征信息的权重偏移.实验结果表明,在PASCAL VOC2007/2012数据集上,相较于Base-YOLOv2,Up-YOLOv3针对小样本图像检测的平均准确率均值(mAP)提升了2.3～9.1个百分点;相较于原始的基于YOLOv3元特征迁移模型Base-YOLOv3,Up-YOLOv3针对大样本图像的mAP提升了1.8～2.4个百分点.可见,改进后模型对不同类别的大样本图像和小样本图像均具有良好的泛化能力和鲁棒性.
文献关键词：
小样本目标检测;元特征迁移;特征重加权;注意力机制;二次重加权
中图分类号：
作者姓名：
林润超;黄荣;董爱华
作者机构：
东华大学信息科学与技术学院,上海 201620
文献出处：
引用格式：
[1]林润超;黄荣;董爱华-.基于注意力机制和元特征二次重加权的小样本目标检测)[J].计算机应用,2022(10):3025-3032
A类：
二次重加权,元特征迁移,SMFR,特征重加权
B类：
注意力机制,小样本目标检测,迁移学习,现有模型,背景区域,抑制能力,学习过程,微调,调来,跨域共享,特征偏移,大样本,图像检测,检测能力,加权机制,迁移模型,Up,YOLOv3,Base,YOLOv2,卷积块注意力模块,CBAM,特征提取网络,目标区域,细节特征,小样本图像,检测性能,SE,特征信息,PASCAL,VOC2007,平均准确率,mAP,百分点,泛化能力
AB值：
0.219754
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。
