科研之友
微信
新浪微博
Facebook
分享链接
摘要
当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率，而在实际场景中，大量数据的获取是十分困难的，且对数据的标注也需要花费大量人力物力。针对这一问题，本文提出了一种基于Faster RCNN的少样本目标检测算法（CA-FSOD），在目标类别仅有少量标注样本的情况下，对目标样本进行检测。为了提高检测性能，首先提出了CBAM-Attention-RPN模块，减少无关候选框的数量；其次提出了全局-局部关系检测器模块，通过关联少量标注样本和待检测样本的特征，获取与目标类别更相关的候选区域；最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支，其能有效地聚合同类别特征，降低类内方差，提高检测精度。为了验证所提出的算法，在MS COCO数据集上进行了训练和测试，实验结果表明，该方法AP50为21.9，要优于目前一些少样本目标检测算法。
-
单位中国科学院; 中国科学院光电技术研究所; 中国科学院大学
