CN115049870A - 一种基于小样本的目标检测方法 - Google Patents
一种基于小样本的目标检测方法 Download PDFInfo
- Publication number
- CN115049870A CN115049870A CN202210491329.7A CN202210491329A CN115049870A CN 115049870 A CN115049870 A CN 115049870A CN 202210491329 A CN202210491329 A CN 202210491329A CN 115049870 A CN115049870 A CN 115049870A
- Authority
- CN
- China
- Prior art keywords
- loss
- model
- formula
- data
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 43
- 239000000523 sample Substances 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 1
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于小样本的目标检测方法，本发明使用Pytorch深度学习框架，通过在模型中引入SGFA，SSA等结构以及关系检测器，够使本模型在不用进行微调的情况下，实现对可变数量的新类别目标的检测。该发明能够用于解决实际场景中的目标检测需要大量带标签数据的问题，使用该方法，即便在数据标签较少的情况下也可以实现较好的目标识别能力,具有推广应用的价值。
Description
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于小样本的目标检测方法。
背景技术
近年来，计算机视觉研究领域越来越受到关注，其中分类任务、检测任务以及分割任务更是计算机视觉中的重点研究方向。随着深度学习技术的发展，目标检测模型的精度虽在不断提高，但是作为监督学习来说，其需要大量带标注训练样本的本质并没有改变。在实际场景中，训练出一个特定的目标检测模型需要大量的标注样本，而某些特定目标类别图像的获取具有一定难度。
发明内容
本发明的目的是要提供一种基于小样本的目标检测方法。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
S1、获取常规目标检测数据集以及少量数据的新类数据集，统一每类新类的数据数为K；
S2、构建训练模型每次迭代中输入的“支持集”和“查询集”。支持集每次以N类目标每类目标有K张图片的方式进行输入，查询集中的数据用于训练中的查询；
S3、特征提取：将图像进行归一化处理后。输入模型提取特征，其中包括支持集和查询集中的所有图像，经过卷积神经网络后得到特征图；
S4、自适应全局特征注意力模块处理。将初步得到的特征图用全局注意力机制进行处理，改善特征图质量，使模型更加关注全局的重点特征部分；
S5、通过支持注意力机制给查询集中的图像特征加上支持集注意力权重。以使模型在查询集图像中更好地检测出支持集中给定的目标类别；
S6、通过区域提议网络在查询图像上产生大量可能包含目标的前景候选框，并按正负样本1：1采样出正负样本；
S7、用关系检测器采样得到的候选框特征，以及支持集中所给的不同类别图像特征得出候选框最终的类别预测值和边界框位置回归值；
S8、通过Pytorch训练框架和测试数据，不断迭代训练，使其本模型收敛，最终保存整个模型；
S9、将测试集中的新类K张图片作为模型输入的支持集，测试模型在仅利用该K张图片的新类数据时对新类别目标的检测效果；
S10、将目标检测结果与标注内容进行比较，得到各类目标检测任务的平均准确率；
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述常规目标检测数据集是包含丰富标注以及类别的数据集，新类数据集是只有少量样本的待检测数据集。
进一步，所述步骤S6中的RPN损失的计算公式为：
在公式(1)中，Ncls表示用于计算类别损失的样本数量；n表示采样的批量大小；pi表示RPN预测出的第i个锚框的前景分类概率；
表示锚框的类别标签(当锚框分别为正负样本时，
对应的取值为1和0)；
表示类别损失；λ是一个权重系数；Nreg表示用于计算位置回归损失的正样本数量；ti表示所预测的第i个锚框的坐标位置；
表示锚框对应的Ground Truth的边界框位置；
表示位置回归损失。
进一步，所述步骤S6中RPN中类别损失的计算公式为：
公式(2)表示RPN中类别损失的计算。由于是二分类，因此本模型采用二元交叉熵损失来作为RPN的分类损失。
进一步，所述步骤S6中RPN中位置回归损失的计算公式为：
公式(3)和公式(4)表示RPN中位置回归损失的计算。采样的正样本会参与位置回归损失的计算，而负样本并不参与该损失的计算。
进一步，所述步骤S6中RPN中预测出的锚框位置偏移量为(xt，yt，wt，ht)，则通过锚框的坐标位置可计算出RegionProposal的位置信息，其计算过程如公式(5)所示：
公式(5)中，xp，yp,wp，hp，表示生成的候选区域提议框RegionProposal的坐标位置(xp，yp，wp，hp)。
进一步，所述步骤S7中第二阶段的分类损失的计算公式为：
公式(6)和公式(7)中，sj和
分别表示第j个候选框类别相似性得分的预测值和标签值；
为1表示正样本，
为0表示负样本；Ncls表示用于计算类别损失的样本数量。
进一步，所述步骤S7中第二阶段的Bounding Box回归损失的计算公式为：
公式(8)和公式(9)中，Nreg表示用于计算位置回归损失的正样本数量；bj表示模型所预测的第j个候选框位置偏移量；
表示目标真实边界框相对于候选框的偏移量。
进一步，所述步骤S7中，假设候选框的坐标位置为(xp，yp，wp，hp)，目标真实边界框为(x*，y*，w*，h*)，则偏移量
的计算公式为：
公式(10)中，计算结果
将作为最终位置回归的标签值。(c′x，c′y，c′w，c′h)表示各部分计算的权重系数，是模型的超参数。
进一步，所述步骤S7中，利用生成的候选框坐标(xp，yp，wp，hp)以及预测的位置偏移量(xb,yb,wb,hb)，可得出模型预测的目标框位置的计算公式为：
公式(10)中，计算结果(x，y，w，h)为模型预测的目标框位置。
进一步，需要手动将数据集中的类别图像分为“基类(base class)”和“新类(noval class)”，其中基类的每个类别具有大量的训练数据，而新类的每个类别只有几个到十几个可用的标注实例。为了方便对比，该划分的标准和同行保持一致。最终的目标是使模型对只给出极少量可用样本的新类别也有具有一定的识别能力。
本发明的有益效果是：
本发明是一种基于小样本的目标检测方法，与现有技术相比，本发明使用Pytorch深度学习框架，通过在模型中引入SGFA，SSA等结构以及关系检测器，够使本模型在不用进行微调的情况下，实现对可变数量的新类别目标的检测，达到较高准确率。
附图说明
图1为本发明步骤流程图；
图2“自适应全局特征注意力”模块(SGFA Module)；
图3支持集注意力模块的结构(SSA)；
图4关系检测器结构(Relation Detector)。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，一种基于小样本的目标检测方法，包括以下步骤：
S1、获取常规目标检测数据集以及少量数据的新类数据集，统一每类新类的数据数为K；
S2、构建训练模型时每次迭代中输入的“支持集”和“查询集”。支持集每次以N类目标每类目标有K张图片的方式进行输入，即N个类别，每类K张图像，其中K与新类每类的数据相当。查询集用于训练中的查询，寻找查询集图像中的N个类别目标。每次迭代支持集中的数据类别都会改变；
S3、特征提取：将图像进行归一化处理后。输入模型提取特征，其中包括支持集和查询集中的所有图像，经过卷积神经网络后得到特征图；
S4、自适应全局特征注意力模块处理，如图2所示。将初步得到的特征图用全局注意力机制进行处理，改善特征图质量，使模型更加关注全局的重点特征部分；
S5、通过支持注意力机制(Support-Set Attention,SSA)，如图3所示，给查询集中的图像特征加上支持集注意力权重。以使模型在查询集图像中更好地检测出支持集中给定的目标类别。
S6、通过区域提议网络在查询图像上产生大量可能包含目标的前景候选框，并按正负样本1：1采样出正负样本；
S7、使用关系检测器(Relation Detector)通过前一步采样得到的候选框特征，如图4所示，以及支持集中所给的不同类别图像特征得出候选框最终的类别预测值和边界框位置回归值；
S8、通过Pytorch训练框架和测试数据，利用梯度下降算法，将损失函数对于各网络层参数的梯度进行反向传播，并更新模型参数，不断迭代训练，减少训练loss，使其本模型收敛，最终保存整个模型，方便后续测试。
S9、将测试集中的新类K张图片作为模型输入的支持集，测试模型在仅利用该K张图片的新类数据时对新类别目标的检测效果；
S10、将目标检测结果与标注内容进行比较，每一类标注数据都会有一个单独的准确率，通过每一类的加权得到该目标检测任务的平均准确率。
在本发明实施例中，所述常规目标检测数据集是包含丰富标注以及类别的数据集，新类数据集是只有少量样本的待检测数据集。
在本发明实施例中，所述步骤S6中的RPN损失的计算公式为：
在公式(1)中，Ncls表示用于计算类别损失的样本数量；n表示采样的批量大小；pi表示RPN预测出的第i个锚框的前景分类概率；
表示锚框的类别标签(当锚框分别为正负样本时，
对应的取值为1和0)；
表示类别损失；λ是一个权重系数；Nreg表示用于计算位置回归损失的正样本数量；ti表示所预测的第i个锚框的坐标位置；
表示锚框对应的Ground Truth的边界框位置；
表示位置回归损失。
在本发明实施例中，所述步骤S6中RPN中类别损失的计算公式为：
公式(2)表示RPN中类别损失的计算。由于是二分类，因此本模型采用二元交叉熵损失来作为RPN的分类损失。
在本发明实施例中，所述步骤S6中RPN中位置回归损失的计算公式为：
公式(3)和公式(4)表示RPN中位置回归损失的计算。采样的正样本会参与位置回归损失的计算，而负样本并不参与该损失的计算。
在本发明实施例中，所述步骤S6中RPN中预测出的锚框位置偏移量为(xt，yt，wt，ht)，则通过锚框的坐标位置可计算出RegionProposal的位置信息，其计算过程如公式(5)所示：
公式(5)中，xp，yp,wp，hp，表示生成的候选区域提议框RegionProposal的坐标位置(xp，yp，wp，hp)。
在本发明实施例中，所述步骤S7中第二阶段的分类损失的计算公式为：
公式(6)和公式(7)中，sj和
分别表示第j个候选框类别相似性得分的预测值和标签值；
为1表示正样本，
为0表示负样本；Ncls表示用于计算类别损失的样本数量。
在本发明实施例中，所述步骤S7中第二阶段的Bounding Box回归损失的计算公式为：
公式(8)和公式(9)中，Nreg表示用于计算位置回归损失的正样本数量；bj表示模型所预测的第j个候选框位置偏移量；
表示目标真实边界框相对于候选框的偏移量。
在本发明实施例中，所述步骤S7中，假设候选框的坐标位置为(xp，yp，wp，hp)，目标真实边界框为(x*，y*，w*，h*)，则偏移量
的计算公式为：
公式(10)中，计算结果
将作为最终位置回归的标签值。(c′x，c′y，c′w，c′h)表示各部分计算的权重系数，是模型的超参数。
在本发明实施例中，所述步骤S7中，利用生成的候选框坐标(xp，yp，wp，hp)以及预测的位置偏移量(xb,yb,wb,hb)，可得出模型预测的目标框位置的计算公式为：
公式(10)中，计算结果(x，y，w，h)为模型预测的目标框位置。
在本发明实施例中，需要手动将数据集中的类别图像分为“基类(base class)”和“新类(noval class)”，其中基类的每个类别具有大量的训练数据，而新类的每个类别只有几个可用的标注实例。为了方便对比，该划分的标准和同行保持一致。最终的目标是使模型对只给出极少量可用样本的新类别也有具有一定的识别能力。
在本发明实施例中，所用的评价指标是平均准确率(Average Precision，AP)与平均精度均值(Mean Average Precision，mAP)。AP的值越大，则说明模型的平均准确率越高。假设A为模型的检测结果，B为Ground Truth，即样本的标注结果，那么A和B相交的区域与A和B并集的比例称为(Intersection over Union，IoU)。当IoU超过一定阈值时，则认为检测到目标物体。本实施例用到的阈值为0.5和0.75。对目标检测结果的每个类别计算出一个AP值，然后将所有类别的AP值求取平均就是mAP指标。mAP指标比AP指标更能反映出整个模型的好坏，因为其是对所有类别检测结果的衡量，是目标检测中一个极其重要的指标。通常，mAP是针对整个数据集而言，AP是针对数据集中某一个类别而言。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (11)
1.一种基于小样本的目标检测方法，其特征在于，包括以下步骤：
S1、获取常规目标检测数据集和数据的新类数据集，每类所述新类数据集的数据数为K；
S2、构建训练模型每次迭代中输入的“支持集”和“查询集”，支持集每次用N类目标，每类目标有K张图片的方式进行输入，查询集中的数据用于训练中的查询；
S3、特征提取：将图像进行归一化处理后输入模型提取特征，其中包括支持集和查询集中的所有图像，经过卷积神经网络后得到特征图；
S4、将初步得到的特征图用全局注意力机制进行处理；
S5、通过支持注意力机制给查询集中的图像特征加上支持集注意力权重；
S6、通过区域提议网络在查询图像上产生大量可能包含目标的前景候选框，并按正负样本1：1采样出正负样本；
S7、用关系检测器采样得到的候选框特征，以及支持集中所给的不同类别图像特征得出候选框最终的类别预测值和边界框位置回归值；
S8、通过Pytorch训练框架和测试数据，不断迭代训练，使模型收敛，最终保存整个模型；
S9、将测试集中的新类K张图片作为模型输入的支持集，测试模型在仅利用该K张图片的新类数据时对新类别目标的检测效果；
S10、将目标检测结果与标注内容进行比较，得到各类目标检测任务的平均准确率。
2.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S1中的常规目标检测数据集包含丰富标注以及类别的数据集，所述新类数据集为只有几张到几十张的待检测数据集。
3.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S6中的RPN损失的计算公式为：
在公式(1)中，Ncls表示用于计算类别损失的样本数量；n表示采样的批量大小；pi表示RPN预测出的第i个锚框的前景分类概率；
表示锚框的类别标签；当锚框分别为正负样本时，
对应的取值为1和0；
表示类别损失；λ是一个权重系数；Nreg表示用于计算位置回归损失的正样本数量；ti表示所预测的第i个锚框的坐标位置；
表示锚框对应的Ground Truth的边界框位置；
表示位置回归损失。
4.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S6中RPN中类别损失的计算公式为：
公式(2)表示RPN中类别损失的计算；采用二元交叉熵损失作为RPN的分类损失。
5.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S6中RPN中位置回归损失的计算公式为：
公式(3)和公式(4)表示RPN中位置回归损失的计算；采样的正样本会参与位置回归损失的计算，而负样本并不参与该损失的计算。
6.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S6中RPN中预测出的锚框位置偏移量为
则通过锚框的坐标位置可计算出RegionProposal的位置信息，其计算过程如公式(5)所示：
公式(5)中，xp，yp,wp，
表示生成的候选区域提议框RegionProposal的坐标位置
7.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S7中第二阶段的分类损失的计算公式为：
公式(6)和公式(7)中，sj和
分别表示第j个候选框类别相似性得分的预测值和标签值；
为1表示正样本，
为0表示负样本；Ncls表示用于计算类别损失的样本数量。
8.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S7中第二阶段的Bounding Box回归损失的计算公式为：
公式(8)和公式(9)中，Nreg表示用于计算位置回归损失的正样本数量；bj表示模型所预测的第j个候选框位置偏移量；
表示目标真实边界框相对于候选框的偏移量。
9.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S7中，设候选框的坐标位置为
目标真实边界框为
则偏移量
的计算公式为：
公式(10)中，计算结果
将作为最终位置回归的标签值。(c′x，c′y，c′w，c′h)表示各部分计算的权重系数，是模型的超参数。
10.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：所述步骤S7中，利用生成的候选框坐标
以及预测的位置偏移量(xb,yb,wb,hb)，可得出模型预测的目标框位置的计算公式为：
公式(10)中，计算结果(x，y，w，h)为模型预测的目标框位置。
11.根据权利要求1所述的基于基类数据和新类别数据的小样本目标检测方法，其特征在于：需要手动将数据集中的类别图像分为“基类(base class)”和“新类(noval class)”，其中基类的每个类别具有大量的训练数据，而新类的每个类别只有几个到十几个可用的标注实例；使模型对只给出极少量可用样本的新类别也有具有一定的识别能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491329.7A CN115049870A (zh) | 2022-05-07 | 2022-05-07 | 一种基于小样本的目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491329.7A CN115049870A (zh) | 2022-05-07 | 2022-05-07 | 一种基于小样本的目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115049870A true CN115049870A (zh) | 2022-09-13 |
Family
ID=83158170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210491329.7A Pending CN115049870A (zh) | 2022-05-07 | 2022-05-07 | 一种基于小样本的目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049870A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403071A (zh) * | 2023-03-23 | 2023-07-07 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861720A (zh) * | 2021-02-08 | 2021-05-28 | 西北工业大学 | 基于原型卷积神经网络的遥感图像小样本目标检测方法 |
| CN114048340A (zh) * | 2021-11-15 | 2022-02-15 | 电子科技大学 | 一种层级融合的组合查询图像检索方法 |
| CN114399697A (zh) * | 2021-11-25 | 2022-04-26 | 北京航空航天大学杭州创新研究院 | 一种基于运动前景的场景自适应目标检测方法 |
-
2022
- 2022-05-07 CN CN202210491329.7A patent/CN115049870A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861720A (zh) * | 2021-02-08 | 2021-05-28 | 西北工业大学 | 基于原型卷积神经网络的遥感图像小样本目标检测方法 |
| CN114048340A (zh) * | 2021-11-15 | 2022-02-15 | 电子科技大学 | 一种层级融合的组合查询图像检索方法 |
| CN114399697A (zh) * | 2021-11-25 | 2022-04-26 | 北京航空航天大学杭州创新研究院 | 一种基于运动前景的场景自适应目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHONGZHI YANG等: "Few-Shot Object Detection using Global Attention and Support Attention", 《2020 5TH INTERNATIONAL CONFERENCE ON MECHANICAL, CONTROL AND COMPUTER ENGINEERING (ICMCCE)》, 13 May 2021 (2021-05-13), pages 1 - 4 * |
| 杨崇智: "基于基类数据和新类别数据的小样本目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2023 (2023-01-15) * |
| 王林;张鹤鹤;: "Faster R-CNN模型在车辆检测中的应用", 计算机应用, no. 03, 10 March 2018 (2018-03-10) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403071A (zh) * | 2023-03-23 | 2023-07-07 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
| CN116403071B (zh) * | 2023-03-23 | 2024-03-26 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10929649B2 (en) | Multi-pose face feature point detection method based on cascade regression | |
| CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
| CN105701502B (zh) | 一种基于蒙特卡罗数据均衡的图像自动标注方法 | |
| CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN109993236A (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| EP4394724A1 (en) | Image encoder training method and apparatus, device, and medium | |
| CN111950488A (zh) | 一种改进的Faster-RCNN遥感图像目标检测方法 | |
| CN110458022A (zh) | 一种基于域适应的可自主学习目标检测方法 | |
| EP4443396A1 (en) | Image encoder training method and apparatus, device, and medium | |
| Zheng et al. | Improvement of grayscale image 2D maximum entropy threshold segmentation method | |
| CN113158777B (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
| CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
| CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN110852317A (zh) | 一种基于弱边缘的小尺度目标检测方法 | |
| US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| CN115546553A (zh) | 一种基于动态特征抽取和属性修正的零样本分类方法 | |
| CN117036897A (zh) | 一种基于Meta RCNN的少样本目标检测方法 | |
| CN115049870A (zh) | 一种基于小样本的目标检测方法 | |
| CN114708462A (zh) | 多数据训练的检测模型生成方法、系统、设备及存储介质 | |
| CN118279320A (zh) | 基于自动提示学习的目标实例分割模型建立方法及其应用 | |
| CN112489689B (zh) | 基于多尺度差异对抗的跨数据库语音情感识别方法及装置 | |
| CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |