【技术实现步骤摘要】
本专利技术涉及深度学习中的目标检测领域，证明了所设计的候选框生成网络的合理性、有效性，生成了高质量的候选框。
技术介绍
1、近年来，深度学习的研究在图像领域、自然语言处理等领域取得巨大的成功，但成功的背后往往是大量的数据采集和标注工作。特别是最近几年“大模型”成为深度学习领域的主流研究方向，“大模型”通常具有数百万到数十亿甚至数百亿个参数，由数十甚至上百层的深度神经网络组成，这些参数使得模型具有更强的拟合能力，能够对复杂的数据分布进行建模，深层结构使得模型能够逐级提取数据的高级特征，从而实现更高层次的抽象和理解。通过在大规模数据集上进行预训练，通过微调的方法将模型迁移到特定任务上，以在目标任务上实现更好的性能。然而，与之相对应的是，大模型也带来了更高的计算和存储成本，以及更大的数据量需求等挑战。
2、目标检测是分类问题的延伸，在分类的同时对目标在图像中的位置进行定位。而小样本目标检测算法则是针对数据量较小的场景而设计的目标检测方法，它需要在数据稀缺的情况下实现高效准确的目标检测。小样本目标检测任务被定义这样一个问题，给定一个...
【技术保护点】
1.一种基于小样本任务的候选框生成网络设计方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，多尺度特征融合可以帮助模型从不同层次和尺度上获取丰富的特征信息，包括目标的细节结构、深层的语义信息等，从而提高目标定位的准确性和稳定性，从而在一定程度上能够帮助模型克服数据稀缺的限制，提高模型的泛化能力、边界框回归精度和抗干扰能力，从而更好地适应小样本任务的需求。
3.如权利要求1所述方法，其特征在于，步骤3中采用轻量级的Depth-wise CrossCorrelation层来实现小样本目标检测任务，结合支持集特征和查询集特征的，...
【技术特征摘要】
1.一种基于小样本任务的候选框生成网络设计方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，多尺度特征融合可以帮助模型从不同层次和尺度上获取丰富的特征信息，包括目标的细节结构、深层的语义信息等，从而提高目标定位的准确性和稳定性，从而在一定程度上能够帮助模型克服数据稀缺的限制，提高模型的泛化能力、边界框回归精度和抗干扰能力，从而更好地适应小样本任务的需求。
3.如权利要求1所述方法，其特征在于，步骤3中采用轻量级的de...
【专利技术属性】
技术研发人员：贾海涛，周道强，冯玉轩，钟睿，徐思雨，任利，许文波，孙立成，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。