基于支持集特征增强的Meta Faster R-CNN小样本目标检测

摘要

小样本目标检测的元学习方法能快速适应少量训练样本，较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题，具有较高的实际应用价值，但该方法对支持集特征利用能力不足、检测精度不高。为此，基于支持集特征增强，针对元学习SOTA算法Meta Faster R-CNN进行改进，从支持集背景抑制与目标特征增强两个角度出发，削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系，构建一种检测性能更高的小样本目标检测算法。实验结果表明：在PASCAL VOC Novel Set数据集上的元测试阶段，本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段，本文改进算法的mAP@0.5较原算法有所提升或基本持平；增强支持集特征能够有效提升小样本目标检测精度。

关键词

小样本目标检测 / 元学习 / Meta Faster R-CNN / 背景抑制 / 特征增强

基金资助

国家重点研发计划“社会治理与智慧社会科技支撑”重点专项(2022YFC3302500)