您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（工学版）》

山东大学学报 (工学版) ›› 2022, Vol. 52 ›› Issue (6): 115-122.doi: 10.6040/j.issn.1672-3961.0.2022.087

• 机器学习与数据挖掘 • 上一篇    下一篇

面向小样本目标检测任务的自适应特征重构算法

刘丁菠1,2,刘学艳2,3,于东然2,4,杨博2,3,李伟5*   

  1. 1.吉林大学软件学院, 吉林 长春 130012;2.吉林大学符号计算与知识工程教育部重点实验室, 吉林 长春 130012;3.吉林大学计算机科学与技术学院, 吉林 长春 130012;4.吉林大学人工智能学院, 吉林 长春 130012;5.吉林大学商学与管理学院, 吉林 长春 130012
  • 发布日期:2022-12-23
  • 作者简介:刘丁菠(1997— ),女,吉林珲春人,硕士研究生,主要研究方向为计算机视觉. E-mail:dbliujlu@126.com. *通信作者简介:李伟(1977— ),女,辽宁朝阳人,讲师,博士,主要研究方向为最优化理论. E-mail:W_li@jlu.edu.cn
  • 基金资助:
    国家自然科学基金项目(62172185、61876069);国家重点研发计划项目(2021ZD0112501、2021ZD0112502);吉林省重点科技研发项目(20180201067GX、20180201044GX);吉林省自然科学基金项目(20200201036JC)

Adaptive feature reconstruction algorithm for few-shot object detection

LIU Dingbo1,2, LIU Xueyan2,3, YU Dongran2,4, YANG Bo2,3, LI Wei5*   

  1. 1. College of Software, Jilin University, Changchun 130012, Jilin, China;
    2. Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, Jilin, China;
    3. College of Computer Science and Technology, Jilin University, Changchun 130012, Jilin, China;
    4. School of Artificial Intelligence, Jilin University, Changchun 130012, Jilin, China;
    5. School of Business and Management, Jilin University, Changchun 130012, Jilin, China
  • Published:2022-12-23

PDF (PC)

363

摘要： 针对目标检测任务中样本量不足时新类别检测性能变差的问题,提出面向小样本目标检测任务的自适应特征重构算法。该算法包含两个模块:基础类别特征偏移缓解模块,用于获取预训练阶段基础类别的特征方向;场景特征自适应约束模块,用于根据场景特征与各类别原型特征的相关性确定当前场景对于某些类别的偏好,从而自适应地调整基础类别偏移方向对实例特征的影响。试验结果表明,在PASCAL VOC和MS COCO数据集上,该模型对于小样本目标检测任务的检测能力均优于对比算法,在保证对于基础类别实例检测能力的基础上,对新类别的检测精度最高可分别提升12.4%与2.1%。本研究提出的模型可以保证对于基础类别相关实例的检测能力,并提升新类别实例检测性能。

关键词: 目标检测, 小样本学习, 自适应特征重构, 场景特征, 类别偏好

中图分类号: 

  • TP391
[1] 谢富, 朱定局.深度学习目标检测方法综述[J].计算机系统应用, 2022, 31(2): 1-12. XIE Fu, ZHU Dingju. Survey on deep learning object detection[J]. Computer Systems & Applications, 2022, 31(2):1-12.
[2] HU H, BAI S, LI A, et al. Dense relation distillation with context-aware aggregation for few-shot object detection[C] //Proceedings of CVPR-21. Nashville, USA: IEEE, 2021: 10185-10194.
[3] TAN M, PANG R, LE Q V. Efficientdet: scalable and efficient object detection[C] //Proceedings of CVPR-20. Seattle, USA: IEEE, 2020: 10781-10790.
[4] ZHANG Y, KANG B, HOOI B, et al. Deep long-tailed learning:a survey[EB/OL].(2021-10-09)[2022-02-25]. https://arxiv.org/pdf/2110.04596.pdf.
[5] KÖHLER M, EISENBACH M, GROSS H M. Few-shot object detection: a survey[EB/OL].(2021-12-22)[2022-02-25].https://arxiv.org/pdf/2112.11699.pdf.
[6] BUDA M, MAKI A, MAZUROWSKI M A. A systematic study of the class imbalance problem in convolutional neural networks[J]. Neural Networks, 2018, 106: 249-259.
[7] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 42(2):318-327.
[8] KANG B, LIU Z, WANG X, et al. Few-shot object detection via feature reweighting[C] //Proceedings of ICCV-19. Seoul, Korea: IEEE, 2019: 8420-8429.
[9] WANG Y X, RAMANAN D, HEBERT M. Meta-learning to detect rare objects[C] //Proceedings of ICCV-19. Seoul, Korea: IEEE, 2019: 9925-9934.
[10] YAN X, CHEN Z, XU A, et al. Meta r-cnn: towards general solver for instance-level low-shot learning[C] // Proceedings of ICCV-19. Seoul, Korea: IEEE, 2019: 9577-9586.
[11] WANG X, HUANG T E, DARRELL T, et al. Frustratingly simple few-shot object detection[C] // Proceedings of ICML-20. Online: ACM, 2022: 9919-9928.
[12] WU J, LIU S, HUANG D, et al. Multi-scale positive sample refinement for few-shot object detection[C] // Proceedings of ECCV-20. Online: Springer, 2020: 456-472.
[13] SUN B, LI B, CAI S, et al. FSCE: few-shot object detection via contrastive proposal encoding[C] // Proceedings of CVPR-21. Nashville, USA: IEEE, 2021: 7352-7362.
[14] TANG K, HUANG J, ZHANG H. Long-tailed classification by keeping the good and removing the bad momentum causal effect[J]. Advances in Neural Information Processing Systems, 2020, 33: 1513-1524.
[15] XU H, JIANG C, LIANG X, et al. Reasoning-rcnn: Unifying adaptive global reasoning into large-scale object detection[C] //Proceedings of CVPR-19. Long Beach, USA: IEEE, 2019: 6419-6428.
[16] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.
[17] EVERINGHAM M, ZISSERMAN A, WILLIAMS C K I, et al. The PASCAL visual object classes(VOC)challenge[J]. International Journal of Computer Vision, 2010, 88(2):303-338.
[18] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: common objects in context[C] //Proceedings of ECCV-14. Zurich, Switzerland: Springer, 2014: 740-755.
[19] CHEN K, WANG J, PANG J, et al. MMDetection: open mmlab detection toolbox and benchmark[EB/OL].(2019-06-17)[2022-02-25]. https://arxiv.org/pdf/1906.07155.pdf.
[20] HEK, ZHANG X, REN S, et al. Deep residual learning for image recognition[C] //Proceedings of CVPR-16. Las Vegas, USA: IEEE, 2016:770-778.
[21] LIN T Y, DOLLÁR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C] //Proceedings of CVPR-17. Honolulu, USA: IEEE, 2017:2117-2125.
[1] 索大翔,李波. 细粒度特征增强与尺寸匹配的光伏缺陷检测[J]. 山东大学学报 (工学版), 2025, 55(4): 9-17.
[2] 董明书,陈俐企,马川义,张珠皓,孙仁娟,管延华,庄培芝. 沥青路面内部裂缝雷达图像智能判识算法研究[J]. 山东大学学报 (工学版), 2025, 55(3): 72-79.
[3] 聂秀山,赵润虎,宁阳,刘新锋. 开放词汇目标检测方法综述[J]. 山东大学学报 (工学版), 2025, 55(1): 1-14.
[4] 张曼,孙凯军,李翔,孙纪舟. 融合FasterNet和RepVGG的安全设备佩戴检测方法[J]. 山东大学学报 (工学版), 2024, 54(6): 19-28.
[5] 陈晓燕,王川,齐明杰,张宁,林晓龙,霍延强,刘世杰,田源. 采用雷视融合方法的灌溉风险区异物入侵风险预警[J]. 山东大学学报 (工学版), 2024, 54(3): 115-121.
[6] 索大翔,李波. 基于Gromov-Wasserstein最优传输的输电线路小目标检测方法[J]. 山东大学学报 (工学版), 2024, 54(3): 22-29.
[7] 于畅,伍星,邓秋菊. 基于深度学习的多视角螺钉缺失智能检测算法[J]. 山东大学学报 (工学版), 2023, 53(4): 104-112.
[8] 余明骏,刁红军,凌兴宏. 基于轨迹掩膜的在线多目标跟踪方法[J]. 山东大学学报 (工学版), 2023, 53(2): 61-69.
[9] 孟令灿,聂秀山,张雪. 基于遮挡目标去除的公交车拥挤度分类算法[J]. 山东大学学报 (工学版), 2022, 52(4): 83-88.
[10] 万鹏. 基于F-PointNet的3D点云数据目标检测[J]. 山东大学学报 (工学版), 2019, 49(5): 98-104.
[11] 惠开发,成科扬,詹永照. 基于改进ViBe算法的视频浓缩[J]. 山东大学学报(工学版), 2017, 47(3): 43-48.
[12] 刘英霞,王希常,唐晓丽,常发亮. 基于小波域特征和贝叶斯估计的目标检测算法[J]. 山东大学学报(工学版), 2017, 47(2): 63-70.
[13] 杨健梅1,黄添强1,2*,江伟坚1. 基于人脸色温的拼接图像篡改检测[J]. 山东大学学报(工学版), 2013, 43(5): 24-30.
[14] 王秀芬,王汇源,王松. 基于背景差分法和显著性图的海底目标检测方法[J]. 山东大学学报(工学版), 2011, 41(1): 12-16.
[15] 乔伟1,王汇源1,2,吴晓娟1,刘鹏威1. 基于混沌动力学模型的群体目标检测与分类[J]. 山东大学学报(工学版), 2010, 40(2): 19-23.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 张永花,王安玲,刘福平 . 低频非均匀电磁波在导电界面的反射相角[J]. 山东大学学报(工学版), 2006, 36(2): 22 -25 .
[2] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[3] 孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[4] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[5] 余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[6] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[7] 王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
[8] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[9] 秦通,孙丰荣*,王丽梅,王庆浩,李新彩. 基于极大圆盘引导的形状插值实现三维表面重建[J]. 山东大学学报(工学版), 2010, 40(3): 1 -5 .
[10] 张英,郎咏梅,赵玉晓,张鉴达,乔鹏,李善评 . 由EGSB厌氧颗粒污泥培养好氧颗粒污泥的工艺探讨[J]. 山东大学学报(工学版), 2006, 36(4): 56 -59 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发