小样本相似性匹配特征增强的密集目标计数网络.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃02⁃10

计算机应用,2025,45(2):403-410CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）02-0403-08DOI:10.11772/j.issn.1001-9081.2024010070

小样本相似性匹配特征增强的密集目标计数网络

11*211

谢斌红，高婉银，陆望东，张英俊，张睿

（1.太原科技大学计算机科学与技术学院，太原030024；2.山西天河云计算有限公司，山西吕梁033000）

（∗通信作者电子邮箱S202120210774@stu.tyust.edu.cn）

摘要：为了解决训练数据有限且类别多的问题，引入小样本学习方法。针对现有密集目标计数方法中存在的密

集物体边界不清晰、空间不一致性和模型泛化能力弱等问题，提出一种小样本相似性匹配特征增强密集目标计数网

络（SMFENet）。首先，通过特征提取模块提取图像特征，并使用ROIAlign方法对齐样例特征；其次，设计相似性比较

特征增强模块（SCFEM）计算样例特征和图像特征的相似度，得到相似度图，并将该图作为加权系数用样例特征自适

应地增强图像特征，使最终得到的增强特征更关注与样例特征相似的区域；同时，采用内部特征增强、内部尺度增强

以及信息合并等方法解决密集物体边界不清晰和空间不一致性问题；最后，利用密度预测模块生成密度图。此外，采

用内容感知标注法生成高质量Ground-Truth密度图，以进一步提升模型的准确性。测试时，通过自适应损失调整网络

使网络泛化到新类别上。在FSC-147数据集和CARPK数据集上的实验结果表明，与现有的小样本目标计数方法相

比，所提模型的平均绝对误差（MAE）降低到13.82，均方根误差（RMSE）降低到45.91；与特定类别计数方法相比，所

提模型的MAE降低到4.16，RMSE降低到5.91。以上充分证明SMFENet模型在提高计数的准确性和鲁棒性等方面能

取得较好的效果，展示了该模型的实际应用价值。

关键词：密集目标计数；小样本学习；密度预测；相似性匹配特征增强

中图分类号：TP391.4文献标志码：A

Denseobjectcountingnetworkwithfew-shotsimilaritymatchingfeatureenhancement

11*211

XIEBinhong，GAOWanyin，LUWangdong，ZHANGYingjun，ZHANGRui

（1.CollegeofComputerScienceandTechnology，TaiyuanUniversityofScienceandTechnology，TaiyuanShanxi030024，China；

2.ShanxiTianheCloudComputingC