重要度加权的局部自适应原型提取网络,用于几次射击检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 短拍对象检测 (FSOD) 旨在使用最小的标记数据检测新型对象类别,这对于现实应用至关重要.
• 由于对关键信息的关注不足,现有的FSOD方法经常与低质量的原型生成作斗争,阻碍了性能.

研究的目的:

• 提出一个改进的FSOD网络,通过结合人类视觉注意力的原则来提高原型质量和检测性能.
• 解决以往方法在生成表达式原型和处理类间混方面存在的局限性.

主要方法:

• 开发了一个权重重的本地适应原型模块,以强调支持样本中的突出本地特征,生成更具表现力的原型.
• 使用不平衡多样性采样模块来选择多样化和具有挑战性的负样本原型,改善类间的分离性.
• 一个加权非线性融合模块被设计成有效地整合特征相互作用,通过可学习的重要性权重调节.

主要成果:

• 拟议的方法在Pascal VOC和MS COCO基准指标上显示出显著的改进.
• 与微粒原型蒸 (FPD) 基线相比,在PASCAL VOC上的平均平均精度提高了2.84%.
• 在MS COCO数据集上,在AP中超过FPD基线0.8%和1.8%.

结论:

• 开发的FSOD网络通过专注于语义重要和空间丰富的特征,有效地提高了少数镜头设置中的概括能力和性能.
• 整合注意力机制和先进的模块设计,与现有的最先进的方法相比,可以实现更高的性能.