CN114119966B 基于多视角学习与元学习的小样本目标检测方法 （中山大学）_第1页
CN114119966B 基于多视角学习与元学习的小样本目标检测方法 （中山大学）_第2页
CN114119966B 基于多视角学习与元学习的小样本目标检测方法 （中山大学）_第3页
CN114119966B 基于多视角学习与元学习的小样本目标检测方法 （中山大学）_第4页
CN114119966B 基于多视角学习与元学习的小样本目标检测方法 （中山大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于多视角学习与元学习的小样本目标检本发明公开了一种基于多视角学习与元学础类别和小样本类别的高信度特征并构建损失2构建小样本目标检测模型，采用两阶段训练方式的小基于多视角学习的类间样本对采样法，采用类别平衡的原则，将基础基于高信度深层特征的特征对比学习法，在小样本目标检测模型微调阶基于元学习的模型参数训练法，在小样本目标检测模型微调阶段从基础类别和小样本类别中各采样不同的N个样本，得到M个基础类别的子数据集与1i表示第i个视角的混合数据集；在小样本目标检测模型微调阶段，多视角数据集通过主干网3i,2-θi-1)所述预训练好的检测器采用两阶段检测器Faster-所述主干网络采用ResNet-101网络在构建小样本目标检测模型后，先使用基础类别数据集对小样本目标检测模型进行预训在小样本目标检测模型微调阶段，多视角数据集中的图像经过i表示第i个候选框与真实物体的IOU值，表示第k个候选框的正则化特征编45[0002]小样本目标检测技术旨在在样本量较少的情况下，从图[0003]随着深度学习的发展，小样本目标检测结果的检测精度(mAP)已经得到了很显著别组合每个基础类别子数据集和小样本类别样本，得到多个组合后的单视角混合数据集，6[0015]多视角数据集D由基础类别数据集Dbase和小样本类别数据集Dnovel构成，分别表示与1个小样本类别的数据集，将每个基础类别的子数据集与小样本类别数据集组合得到单DM}7和d2分别表示候选框的区域和真实物体的区域；[0034]根据候选框的真实类别，损失值L划分为基础类别的损失值Lbase和小样本类别的损失值Lnovel；先计算基础类别损失值Lbase的梯度并回传更新小样本目标检测模型的参数，θi-1)i步迭代的小样本目标检测模型参数值，α和γ分别表示小样本目8[0051]如图1所示，本申请的一个实施例中提供了一种基于多视角学习与元学习的小样[0054]本实施例中，预训练好的检测器采用两阶段检测器Faster-RCNN，主干网络采用别组合每个基础类别子数据集和小样本类别样本，得到多个组合后的单视角混合数据集，9[0056]多视角数据集D由基础类别数据集Dbase和小样本类别数据集Dnovel构成，分别表示础类别和小样本类别中采样不同的N个样本，得到M个基础类别的子数据集与1个小样本类DM}和d2分别表示候选框的区域和真实物体的区域；[0072]本实施例中，根据候选框特征与真实物体的重合程度选[0077]根据候选框的真实类别，损失值L可被划分为基础类别的损失值Lbase和小样本类θi-1)i步迭代的小样本目标检测模型参数值，α和γ分别表示小样本目[0088]L股ig,L⃞"e'(m={reg,cls,cy)分别表示m损失值的基础类别部分损失值和小样本类别部分损失值，故基础类别损失值Lbase和小样本类别的损失值Lnovel之和与总损

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论