基于深度学习的小样本目标检测算法研究.pdfVIP

摘要

传统的深度学习目标检测方法通常需要大量的标注数据进行训练，而对于一

些特殊的场景如军事监测、自然灾害监测、社会安防等，能够采集到的数据非常少，

很难通过少量的数据训练出较好的检测模型。人类拥有只看过一次就能分辨目标

类别的能力，使用神经网络模型实现这种能力是小样本目标检测的研究热点。本文

在公开数据集MSCOCO上，对基于深度学习的小样本目标检测算法进行研究，并

展示了在无人机拍摄数据场景下的检测效果，验证了该模型的迁移性。基于小样本

目标检测网络的相关改进和实验结果如下：

1、针对目标检测样本鲁棒性的问题，本文对输入端增强进行改进，使用自适

应的方式对样本标注内容进行提取，解决缩放使支持样本变形破坏的问题；在使用

随机切块增强的基础上，加入显著性检测的思想，解决样本关键特征容易被破坏的

问题。本文数据增强方法平均精度最高提升了1.17，类平均精度提升了0.26。

2、针对小样本目标检测中无关类别目标的干扰问题，本文在颈部网络加入了

图卷积网络，将支持集特征与查询图像特征建模为完全二部图，使用图卷积增强查

询特征中感兴趣类别的特征，抑制背景和不相关类别特征。在COCO数据集的新

类别上平均精度最高得到2.42的提升，类平均精度提升了0.94，相对基准模型提

升了8.5%。

3、针对度量学习中对支持特征和查询特征相似度判断的问题，本文在相似度

判断模块对使用的多分支关系检测器模块进行改进，使用注意力机制对输入关系

检测器的特征进行优化，使用压缩和激活的方式对每个通道进行修正。改进的注意

力关系检测器在COCO数据集的新类别上平均精度最高获得4.48的提升，类平均

精度提升了0.79，相比基准模型提升了7.1%。另外，本文提出使用三元损失函数

对检测样本到正负样本特征的距离进行训练，增强度量学习模块对正负样本的区

分能力。三元损失函数与目标检测损失函数相结合，在COCO数据集的新类别上

平均精度最高获得了1.88，类平均精度提升了0.67，相比基准模型提升了6%。

本文最终融合了各个模块的改进，并使用提出的数据增强方法。在COCO数

据集上训练结果在新类别上平均精度最高提升了3.48，类平均精度提升了1.83，

较基准模型提升了16.4%，并将此模型应用到无人机拍摄数据展示其迁移性。

关键词：目标检测，小样本学习，图卷积，三元损失函数，注意力机制

ABSTRACT

Traditionaldeeplearningobjectdetectionmethodsusuallyneedalargenumberof

annotationdatafortraining.Forsomespecialscenes,suchasmilitarymonitoring,natural

disastermonitoring,socialsecurityandsoon,thereisveryfewannotationsthatcanbe

collected,soitisdifficulttotrainabetterdetectionmodelthroughasmallamountofdata.

Humanbeingshavetheabilitytodistinguishcategoriesonlyonce.Usingneuralnetwork

modeltorealizethisabilityisaresearchhotspotoffew-shotobjectdetection.Onthe

publicdatasetMSCOCO,Thesisstudiesfew-shotobjectdetectionalgorithmbasedon

deeplearning.ThedetectioneffectinthesceneofUAVdataisshowntoverifythe

transferabilityofthemodel.Therelevantimprovementsandexperimentalresultsofthe

few-shotobjectdetecti