用于增强小样本目标检测的改进区域提议网络

尽管深度学习在目标检测任务中取得了显著成功，但深度神经网络的标准训练需要获取所有类别的大量标注图像。数据标注是一项艰巨且耗时的工程，尤其是在处理不常见物体时。小样本目标检测（FSOD）方法已成为解决基于深度学习的经典目标检测方法局限性的一种方案。FSOD方法通过使用显著更少的训练数据实现鲁棒的目标检测，展现出卓越性能。FSOD面临的一个挑战是，不属于固定训练类别集合的新类别实例出现在背景中，基础模型可能将其作为潜在物体拾取。这些物体表现得类似于标签噪声，因为它们被分类为训练数据集中的某一类，从而导致FSOD性能下降。我们开发了一种半监督算法，在FSOD训练阶段检测这些未标注的新类别物体，并将其作为正样本加以利用，以提升FSOD性能。具体而言，我们开发了分层三元分类区域提议网络（HTRPN）来定位潜在的未标注新类别物体，并为它们分配新的目标性标签，以将这些物体与基础训练数据集类别区分开。我们针对区域提议网络（RPN）改进的层次化采样策略也增强了目标检测模型对大物体的感知能力。我们在FSOD文献中常用的COCO和PASCAL VOC基线上测试了我们的方法。实验结果表明，我们的方法有效且优于现有的最先进（SOTA）FSOD方法。我们的实现作为补充材料提供，以支持结果的可复现性。