典型文献
改进的基于元学习的小样本目标检测法在废品识别分类中的应用研究
文献摘要：
针对传统R-CNN泛化能力弱等问题,首先对传统的R-CNN算法进行改进,运用元学习的方法,将从数据丰富的基类中学习到的元知识转移到数据稀缺的新类中.对粗粒度原型匹配网络进行改进,它使用基于度量学习的非线性分类器而不是传统的线性目标分类器来处理查询图像中锚和新类之间的相似度,从而提高了小样本新类候选框的召回率.对细粒度原型匹配网络进行改进,添加了一个带有空间特征区域匹配和前景关注模块来处理噪声候选框和小样本新类的相似度,以解决候选框特征和类原型之间的空间区域不匹配,从而提高整体检测精度.然后设计了一个小样本分类器,将softmax分类器和设计的小样本分类器放在一起考虑,利用这两种检测器的优势,通过使用小样本检测器的来共享特征主干网络,联合学习一个Faster R-CNN检测头.而不是像以前的方法那样只使用softmax分类器.做到了在保持原有检测精度的基础上,扩大了检测范围.
文献关键词：
粗粒度原型匹配网络;细粒度原型匹配网络;度量学习;空间特征区域匹配;前景关注模块
中图分类号：
作者姓名：
孟青;于瓅
作者机构：
安徽理工大学,安徽淮南232001
文献出处：
引用格式：
[1]孟青;于瓅-.改进的基于元学习的小样本目标检测法在废品识别分类中的应用研究)[J].电脑知识与技术,2022(32):9-12
A类：
粗粒度原型匹配网络,细粒度原型匹配网络,空间特征区域匹配,前景关注模块,小样本检测
B类：
元学习,小样本目标检测,检测法,废品,识别分类,泛化能力,基类,知识转移,稀缺,新类,度量学习,非线性分类器,目标分类器,理查,查询图,候选框,召回率,有空,空间区域,检测精度,softmax,检测器,共享特征,主干网络,联合学习,Faster,检测头,那样,检测范围
AB值：
0.243727
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
