【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，尤其涉及一种基于整体自监督预训练的少样本目标检测方法与系统。
技术介绍
1、作为计算机视觉领域具有挑战性的任务之一，目标检测的任务是对图像或视频中的多个目标进行分类和定位，现已被普遍应用于现实世界，如智能交通、遥感监测、视频监控、人脸检测等有着广泛的应用。基于深度学习的目标检测模型通常需要大量的训练数据。因此，很难将它们应用到现实世界中涉及新物体的场景中，而这些新物体并不存在于常见的物体检测数据集中。对大量新物体的图像进行标注以进行物体检测既费钱又费力。因此，少样本目标检测已经成为目标检测领域的一个研究热点。少样本目标检测的目标是在第一阶段对大量公开数据进行预训练后，仅用少量注释实例微调后检测新物体。少样本目标检测减轻了对目标领域的大量数据进行注释的负担，并能快速适应到未经大量训练的新类别物体，提高对新类别物体检测精度。目前，解决少样本问题的主流方法有元学习和迁移学习。基于迁移学习的少样本目标检测利用含大量带标注数据的源域上训练模型，并迁移到目标域上。基于元学习方法利用偶发训练，在注释样本有限的情况下实现对...
【技术保护点】
1.一种基于整体自监督预训练的少样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述基于整体自监督预训练的少样本目标检测模型包括选择性搜索算法模块、互补掩码模块、特征提取网络模块、冻结区域建议网络-优化模块、RoI对齐模块、前景-背景聚合模块、检测头模块。
3.根据权利要求2所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述选择性搜索算法模块用于：
4.根据权利要求2所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述互补掩码模块用于：p>
5.根据权...
【技术特征摘要】
1.一种基于整体自监督预训练的少样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述基于整体自监督预训练的少样本目标检测模型包括选择性搜索算法模块、互补掩码模块、特征提取网络模块、冻结区域建议网络-优化模块、roi对齐模块、前景-背景聚合模块、检测头模块。
3.根据权利要求2所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述选择性搜索算法模块用于：
4.根据权利要求2所述的基于整体自监督预训练的少样本目标检测方法，其特征在于，所述互补掩码模块用于：
5.根据权利要求4所述的基于整体自监督...
【专利技术属性】
技术研发人员：任坤，李峥瑱，李茜，马晨，杜永萍，韩红桂，
申请(专利权)人：北京工业大学，
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。