用于单样本目标识别与检测的联合神经网络
计算机视觉与模式识别
2024-08-02 v1
摘要
本文提出了一种新颖的联合神经网络方法，用于解决具有挑战性的单样本目标识别与检测任务。受孪生神经网络和最新多框检测方法的启发，联合神经网络能够对训练过程中未见过的类别执行目标识别与检测。遵循单样本目标识别/检测的约束，训练和测试数据集不包含重叠类别，即所有测试类别在训练期间均未见过。联合网络架构能够通过堆叠查询和目标输入的卷积层有效比较图像对，识别同一查询类别的模式，而无需依赖该类别的先前训练。所提方法在MiniImageNet数据集上实现了61.41%的单样本目标识别准确率，在COCO数据集上训练并在Pascal VOC数据集上测试时实现了47.1%的mAP单样本目标检测。代码可在 https://github.com/cjvargasc/JNN recog 和 https://github.com/cjvargasc/JNN detection/ 获取。
引用
@article{arxiv.2408.00701,
title = {Joint Neural Networks for One-shot Object Recognition and Detection},
author = {Camilo J. Vargas and Qianni Zhang and Ebroul Izquierdo},
journal= {arXiv preprint arXiv:2408.00701},
year = {2024}
}
备注
published as part of the PhD thesis: https://qmro.qmul.ac.uk/xmlui/handle/123456789/72758