MSA-Net:一种基于多阶段注意力机制的少样本目标检测方法 |
| |
引用本文: | 汤应薇,张荣福,丁然,张杰.MSA-Net:一种基于多阶段注意力机制的少样本目标检测方法[J].光学仪器,2023(6):14-24. |
| |
作者姓名: | 汤应薇 张荣福 丁然 张杰 |
| |
作者单位: | 上海理工大学光电信息与计算机工程学院 |
| |
摘 要: | 近年来,样本较少场景下的目标检测引起了广泛的关注。由于少样本提供的信息有限,大部分少样本目标检测模型采用改进的Faster RCNN检测框架进行研究。但由于Faster RCNN框架中潜在的模块矛盾问题,现有的少样本目标检测模型的特征捕捉和分类的能力有待提高。为解决以上问题,以Faster RCNN框架为基础,加入了梯度反传解耦机制,缓解在反向传播过程中,RPN和RCNN的冲突对主干网络的负面影响。为提高目标检测模型的特征捕捉能力,采用元学习框架,并融合基于注意力机制的蒸馏模块和多尺度注意力模块,充分利用查询集和支持集的信息,捕捉更多全局特征信息。大量的实验证明,在随机采样目标数k=1, 2, 3, 5, 10设置下,改进后的模型在Pascal VOC数据集的新类上,分别达到21.8%,34.7%, 40.9%, 44.5%, 51.7%mAP(AP50)。在k=10, 30设置下,改进后的模型在COCO数据集的新类上,分别达到25.1%,27.6%mAP(AP50)。
|
关 键 词: | 深度学习 少样本学习 目标检测 |
|
|