高效元学习驱动的轻量级多尺度遥感图像小样本目标检测
计算机视觉与模式识别
2024-06-18 v3
摘要
当前，遥感图像（RSI）中的小样本目标检测（FSOD）任务已成为关注的焦点。许多小样本检测器，尤其是那些基于两阶段检测器的，在处理遥感图像固有的多尺度复杂性时面临挑战。此外，这些检测器在实际应用中表现出不切实际的特性，主要因为它们在处理大量数据时模型参数过于庞大。相比之下，我们认识到单阶段检测器的优势，包括高检测速度和全局感受野。因此，我们选择YOLOv7单阶段检测器作为基线，并将其置于一个新颖的元学习训练框架下。这种转变使检测器能够熟练地处理FSOD任务，同时利用其固有的轻量化优势。此外，我们深入研究了元学习策略生成的样本，并引入了一种新颖的元采样方法，以保留由我们设计的元检测头产生的样本。结合我们设计的元交叉损失，我们刻意利用常被忽视的“负样本”从中提取有价值的知识。这种方法有助于提高检测精度，并有效优化整体元学习策略。为了验证我们提出的检测器的有效性，我们使用DIOR和NWPU VHR-10.v2数据集与当前最先进的检测器进行了性能比较，取得了令人满意的结果。
引用
@article{arxiv.2404.18426,
title = {Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images},
author = {Wenbin Guan and Zijiu Yang and Xiaohong Wu and Liqiong Chen and Feng Huang and Xiaohai He and Honggang Chen},
journal= {arXiv preprint arXiv:2404.18426},
year = {2024}
}