基于小样本的小目标检测方法研究.pdfVIP

基于小样本的小目标检测方法研究

摘要

目标检测通过图像确定目标的具体位置，并自发准确地识别出目标的类别，是计算

机视觉领域中最基础最重要的任务之一，对民用和军用具有重要意义。现有的目标检测

任务多依赖样本数据的分布与数量，需要足够多的已标注数据来支撑检测效果，但这会

引入较高的成本，且许多目标的样本数据也比较稀少，很难获得大量的标注数据，因此

利用极少的标注数据学习具有一定泛化能力的模型显得极为重要。同时目标检测对不同

尺寸的目标检测性能差异较大，主要体现在目前算法在小目标检测上普遍表现不佳，因

为小目标可利用特征较少且极易受到环境干扰，还存在目标遮挡、目标稠密相连等问题。

因此针对现有算法对小样本及小目标检测精度低、鲁棒性差等问题，本文利用深度学习

技术，在基线算法PP-ShiTu的基础上，做出如下改进研究：

（1）针对现有算法在小样本目标检测方面精度较低的问题，本文在基线算法前景

检测部分的基础上，提出了新的主干网络DLCNet，利用可学习的融合因子，赋予不同

的卷积块以不同的连接权重，学习图像的粗粒度和细粒度信息，通过不断迭代找到最优

解，保证网络的最大性能。同时本文还提出了新的注意力机制以构成新的网络结构TCSP，

整合空间和通道之间的相关特征，实现局部特征和全局特征的融合，丰富最终特征图的

表达能力。同时引入了多种数据增强方法，结合微调、度量学习、数据增强，最终建立

集成型小样本目标检测算法，大大提升了小样本目标检测精度。

（2）针对现有算法在小目标检测方面精度较低的问题，本文在前景检测部分引入

了VisionTransformer同时构建了新的网络结构ConcatNet，以捕获多尺度信息，有效地

捕捉目标的局部特征和全局上下文信息，更好地建模不同大小的目标，特别是小目标。

另外，在特征提取部分，本文利用深度可分离卷积提出了新的网络TwofoldNet来加强原

本简单的基线网络结构，利用较少的参数量产生更多特征图，从而提升网络的学习能力，

获得密集的潜在表征，提高了小目标检测的准确性和鲁棒性。

关键词：小样本；小目标；融合因子；注意力机制；深度可分离卷积

基于小样本的小目标检测方法研究

ABSTRACT

Objectdetectionisoneofthemostfundamentalandimportanttasksinthefieldof

computervision,whichdeterminesthespecificlocationofobjectsthroughimagesand

automaticallyandaccuratelyidentifiestheclassoftheobjects.Itisofgreatsignificancefor

bothcivilandmilitarypurposes.Existingobjectdetectiontasksmostlyrelyonthedistribution

andquantityofsampledata,requiringsufficientlabeleddatatosupportthedetectioneffect.

However,thiscanintroducehighcosts,andsampledataformanyobjectsisrelativelyscarce,

makingitdifficulttoobtainalargeamountoflabeleddata.Therefore,itisextremelyimportant

touseveryfewlabeleddatatolearnmodelswithcertaingeneralizationcapabilities.Atthesame

time,theperformanceofobjectdetectionforobjectsofdifferentsizesvariesgreatly,