原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第41卷第2期信号处理Vol.41No.2
2025年2月JournalofSignalProcessingFeb.2025
文章编号：1003-0530（2025）02-0370-12
自监督的两阶段广义小样本目标检测算法
段立娟*1，2，3张子晨1，2，3张广勇1，2，3
（1.北京工业大学计算机学院，北京100124；2.北京工业大学信息安全分类保护关键技术国家工程实验室，
北京100124；3.北京工业大学北京可信重点计算实验室，北京100124）
摘要：深度学习技术在目标检测领域取得了巨大进展，但其优异的性能建立在大量精确标注的数据集之上。在
样本稀缺的特定领域，如国防海上安全和医学等领域，获取具有标注的数据尤为困难。因此，小样本目标检测领域
因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究。该领域的研究目标是得到能够从极其有限的
样本中提取知识并实现高效目标检测的算法框架。然而，由于新类样本的稀缺性，其与基类之间存在着显著的分
布差异，导致了小样本目标检测任务的准确度受限。此外，在对模型应用新类进行微调的过程中，由于新类与基类
的不重叠性，模型学习新类的特征知识的过程中会存在大量的梯度更新，导致基类的特征知识被遗忘的问题，从而
降低模型的整体性能。针对新类别样本稀缺的问题，本研究采用自监督学习策略。自监督学习，无须依赖标注信
息，便于构建代理任务以进行模型训练，是缓解小样本目标检测样本稀缺问题的有效方案。为了避免模型在学习
新类特征知识后出现基类灾难性遗忘的问题，本文将自监督学习与两阶段的目标检测器相结合。通过在类别域应
用潜在特征来表示各个类别的特征信息，通过动态更新策略在学习新类别的过程中进一步优化特征，并借助检测
框域构建良好的代理任务提升回归框的精准度。本研究在PASCALVOC数据集和MSCOCO数据集上进行大量
的实验验证，实验结果表明，无论是在新类性能方面还是总体性能方面，本研究所提出的方法相较于其他多个小样
本目标检测模型均展现出更加优越的性能表现。
关键词：深度学习；自监督学习；小样本目标检测；广义小样本目标检测
中图分类号：TP391文献标识码：ADOI：10.12466/xhcl.2025.02.015
引用格式：段立娟,张子晨,张广勇.自监督的两阶段广义小样本目标检测算法[J].信号处理,2025,41(2):370-381.
DOI:10.12466/xhcl.2025.02.015.
Referenceformat:DUANLijuan,ZHANGZichen,ZHANGGuangyong.Two-stageself-supervisedalgorithmforgen‐
eralizedfew-shotobjectdetection[J].JournalofSignalProcessing,2025,41(2):370-381.DOI:10.12466/xhcl.2025.
02.015.
Two-StageSelf-SupervisedAlgorithmforGeneralizedFew-Shot
ObjectDetection
DUANLijuan*1，2，3ZHANGZichen1，2，3ZHANGGuangyong1，2，3
（1.CollegeofComputerScience，BeijingUniversityofT
文档评论（0）