CN116229101B 一种基于少样本学习的开放世界目标检测方法 （厦门大学）

Open-WorldFew-ShotObjectDetection.一种基于少样本学习的开放世界目标检测一种基于少样本学习的开放世界目标检测测的网络OFDet，在两阶段微调范式下的类别不可知的物体检测器上建模。OFDet由三个模块组2b经过地区提议网络RegionProposalNetwork(RPN)，用于挑选所有可能的前p步骤4，网络通过RoIAlign操作以及RPN输出的回归和定位信息得到Fb中对应区域的ppppppppp步骤8，在测试过程中，通过未知类别候选框挑选算法UP潜在的未知物体，最后使用指标mAP和mAR对已知类别和未知类别进行评估，使用每个3[0002]目标检测任务是计算机视觉领域中基础且应用最广泛的任务之一。给定一张图的类别，这使今年来类别不可知的目标检测(Class_AgnosticObjectDetection)逐步受到人们的关注(KonanS,LiangKJ,YinL.ExtendingOne_StageDetectionwithOpen_且也不具备进一步对感兴趣的未知物体进行过程中更加灵活简便。这种构思涉及到少样本检测(KangB,LiuZ,WangX,etal.Few_shotobjectdetectionviafeaturereweighting[C]//ProceedingsoftheIEEE/CVFInternationalConferenceonComputerVision.2019:8420_8429)，作为一个两阶段的检测和与类别无关的物体检测相结合，无论是基础类别的精度(bAP)以及新类别的精度(nAP)的效果均较差。可能存在的原因是与类别无关的物体检测任务(CAOD)使用二值标签合少样本学习，设计了一个新的视觉检测任务，即基于少样本学习的开放世界目标检测4p[0011]步骤4，网络通过RoIAlign操作以及RPN输出的回归和定位信息得到Fb中对应区pp[0012]步骤5，F经过类别不可知目标检测模块(CALM)，输出得到最后修正后的ppproposals的回归信息以及对应的定位置信度，并计算损失。F同时经过基础分类模块ppp最后使用指标(mAP和mAR)对已知类别和5标检测数据集D以及含有的所有类别C，首先∪Dn中检测Db和Dn。与已有的与类别无关的目标检测(CAOD)相比，本发明需要对Cb进行分[0029]如图2所示为基于少样本学习的开放世界目标检测任务设计的网络OFDet的构建示意图，OFDet的构建有利于本发明提出的基于少样本学习的开放世界目标检测(OFOD)任[0032]如图2所示，本发明设计的OFDet基于FasterR_CNN(GirshickR.Fastr_cnn[C]//ProceedingsoftheIEEEinternationalconferenceoncomputerWorldObjectProposalswithoutLearningtoClassify[J].IEEERoboticsand(RegionProposalNetwork，RPN)，类别不可知目标检测模块(Class_Agnostic二阶段中的新类别检测模块(NovelDetectionModule，NDM)以及未知类别挑选算法ProposalNetwork，RPN)，类别不可知目标检测模块(Class_AgnosticLocalization6选框挑选算法UPS，获得CALM输出中潜在的未知物体。具体来说，根据定位置信度来挑选余没被挑选的则作为是潜在的未知类别的候选框，接着继续使用UPS来挑选具有较高的定7过RPN中的定位质量r以及CALM的定位质量c乘积的二次方根来得到，即在第二8在第二阶段初始学习率设置为0.01。在两阶段，模型解耦RPN以及RCNN回传模块回传至使用公式(1)来计算模型的损失，利用损失函数的梯度反向传播来更新第一阶段的模型参[0062]表1为VOC数据集上的少样本检测实验实验结果。表2为COCO数据集上的少样本检9[0072]表2为OFDet在COCO数据集上的少样本目标检测实验评估结果；本发明所提出的OFDet模型的nAP在5_shot、10_shot以及30_shot的设定上可以达到9.6\12.7\%,17.5\和TFA相比分别提升2.2\2.7\％以及3.8\％。同时OFDet也在大部分设定上的[0073]表3为OFDet在COCO数据集