摘要: 在现有的小样本目标检测中,区域生成网络(RPN)通常是在基类数据上进行训练以生成新类候选框,但新类数据相对基类而言较为稀缺,在引入时可能产生与目标物不同的复杂背景,会导致RPN将背景误认为前景,遗漏高交并比(IoU)值候选框。针对上述问题,提出一种基于改进RPN和特征聚合小样本目标检测(IFA-FSOD)方法。首先,基于RPN进行改进,通过在RPN中设计一个基于度量的非线性分类器,计算骨干网络提取的特征和新类之间的相似度,提高对新类候选框的召回率,从而筛选出高IoU候选框。其次,在感兴趣区域对齐(ROI Align)中引入基于注意力机制的特征聚合模块,通过设计不同尺度的网格,获取更全面的信息和特征表示,缓解因尺度不同引起的特征信息缺失。实验结果表明,相比QA-FewDet方法,IFA-FSOD在PASCAL-VOC数据集的新类上,Novel Set 3 10shot下nAP50提升了4.5个百分点;相比FsDetView方法,在10shot和30shot设置下,IFA-FSOD在COCO数据集的新类上mAP分别提升了0.2和0.8个百分点。IFA能有效提高在小样本情况下对目标类别的检测性能,解决高IoU值候选框遗漏和特征信息捕捉不全的问题。
中图分类号: