上海理工大学 光电信息与计算机工程学院，上海 200093
近年来，样本较少场景下的目标检测引起了广泛的关注。由于少样本提供的信息有限，大部分少样本目标检测模型采用改进的Faster RCNN检测框架进行研究。但由于Faster RCNN框架中潜在的模块矛盾问题，现有的少样本目标检测模型的特征捕捉和分类的能力有待提高。为解决以上问题，以Faster RCNN框架为基础，加入了梯度反传解耦机制，缓解在反向传播过程中，RPN和RCNN的冲突对主干网络的负面影响。为提高目标检测模型的特征捕捉能力，采用元学习框架，并融合基于注意力机制的蒸馏模块和多尺度注意力模块，充分利用查询集和支持集的信息，捕捉更多全局特征信息。大量的实验证明，在随机采样目标数k=1, 2, 3, 5, 10设置下，改进后的模型在Pascal VOC数据集的新类上，分别达到21.8%，34.7%，40.9%，44.5%，51.7% mAP（AP50）。在k = 10, 30设置下，改进后的模型在COCO数据集的新类上，分别达到25.1%，27.6% mAP(AP50)。
深度学习 少样本学习 目标检测 deep learning few-shot learning object detection 杜芸彦 1,2,3杨锦辉 1,2,3李鸿 1,2,3毛耀 1,2,3江彧 1,2,3
1 中国科学院,光束控制重点实验室
2 中国科学院,光电技术研究所, 成都 610000
3 中国科学院大学, 北京 100000
当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率, 而在实际场景中, 大量数据的获取是十分困难的, 且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD), 在目标类别仅有少量标注样本的情况下, 对目标样本进行检测。为了提高检测性能, 首先提出了CBAM-Attention-RPN模块, 减少无关候选框的数量; 其次提出了全局-局部关系检测器模块, 通过关联少量标注样本和待检测样本的特征, 获取与目标类别更相关的候选区域; 最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支, 能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法, 在MS COCO数据集上进行了训练和测试, 实验结果表明, 该方法的AP50为21.9%, 优于目前一些少样本目标检测算法。
目标检测 少样本学习 少样本目标检测 注意力机制 object detection few-shot learning few-shot object detection Faster RCNN Faster RCNN attention mechanism
1 福州大学 先进制造学院，福建 泉州 362200
2 中国科学院 福建物质结构研究所，福建 福州 350002
3 中国福建光电信息科学与技术创新实验室（闽都创新实验室），福建 福州 350108
针对目前小样本学习方法易过拟合、跨域泛化能力不足等问题，受启发于储备池计算不依赖于训练而缓解过拟合的特性，提出了一种基于储备池计算的小样本学习方法（Reservoir Computing based Network for Few-shot Image Classification，RCFIC）。整个方法由特征提取模块、特征增强模块和分类器模块构成。特征增强模块由储备池模块和基于储备池的注意力机制构成，分别对特征提取网络的特征进行通道级增强和像素级增强，同时联合余弦分类器促使网络学习具有高类间方差、低类内方差特性的特征分布。实验结果表明，本文算法在Cifar-FS、FC100、Mini-ImageNet等数据集上的分类精度至少比现有方法高1.07%，在从Mini-ImageNet到CUB-200的跨域场景设置下的分类精度优于次优方法1.77%。同时，消融实验验证了RCFIC的有效性。所提方法泛化性强，能够有效缓解小样本图像分类中的过拟合问题并在一定程度上解决跨域问题。
小样本学习 储备池计算 注意力机制 特征增强 图像分类 few-shot learning reservoir computing attention mechanism feature enhancement image classification
1 北京交通大学 机械与电子控制工程学院，北京 00044
2 北京交通大学 智慧高铁系统前沿科学中心，北京 100044
异物入限是导致铁路安全事故频发的主要原因之一，传统深度学习需要大量训练样本进行网络训练，但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用，提出了基于通道注意力机制的特征提取网络；为解决样本数量不足时个别样本在特征空间中产生偏离的问题，提出了一种基于类中心微调的网络用于类别中心的修正；同时，基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练，提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比，本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism，CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度；提出的类中心微调和预训练方法对检测精度的提升效果更明显，分别达到3.05%和6.70%，上述模块综合应用的提升效果达到了7.90%。
小样本学习 度量元学习 铁路限界入侵 目标检测 注意力机制 few-shot learning metric meta learning railway clearance intrusion object detection attention mechanism 光学 精密工程
2023, 31(12): 1816
1 上海海洋大学信息学院，上海 201306
2 上海建桥学院信息技术学院，上海 201306
3 上海电力大学，上海 200090
深度学习在解决遥感影像场景分类问题中发挥了重要作用，但在某些特定的遥感场景分类问题中，存在可训练带标签样本严重不足的情况（单类样本数少于10），造成现有的传统深度模型分类效果不理想。针对上述问题，提出一种小样本遥感场景分类方法，并构建一种基于元学习（meta-learning）训练策略的模型ResNet14-Attention-ProtoNet（RA-ProtoNet）。首先，采用预训练的深度残差网络ResNet14作为特征嵌入模块，提取遥感影像深度特征；其次，针对同类样本特征不明显会对类级（class-level）表达造成的干扰问题，在类级表达模块，采用基于双向长短期记忆网络（Bi-LSTM）的注意力机制强化类内样本信息，生成样本的类级特征表达；最后，利用欧氏距离度量待分类样本与类级特征之间的距离，实现分类预测。在UCMERCED、AID-30和NWPU-RESISC45等3个遥感影像数据集上，将所提方法与基于迁移学习和现有元学习方法的遥感场景分类方法进行对比实验，在5-way 5-shot条件下，所提方法的整体场景分类精度分别达到81.30%、83.29%和81.22%。实验结果表明，所提方法可以有效挖掘类内样本信息，在极小样本条件下获得更高的遥感影像场景分类精度。
遥感 图像处理 遥感影像分类 小样本学习 注意力机制 激光与光电子学进展
2023, 60(10): 1028003
天津大学电气自动化与信息工程学院，天津 300072
针对单样本目标检测样本量较少的问题，提出了一种基于跨域学习的方法。该方法从数据增强的角度出发，增加其他域的数据集作为辅助，增强网络学习能力，同时为解决不同域间存在差异的问题，提出了一种基于图片尺度和实例尺度的跨域学习算法，分别对输入的图片特征与检测网络的候选特征增加域分类器模型，用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验，其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较，超过目前最好算法2.8个百分点，从而证明了本文方法可以有效提高单样本目标的检测性能。
卷积神经网络 目标检测 单样本学习 跨域学习 激光与光电子学进展
2023, 60(4): 0415004
1 西安建筑科技大学信息与控制工程学院，陕西 西安 710055
2 陕西省文物保护研究院，陕西 西安 710075
现有的青铜器铭文变体种类较少，利用深度学习网络训练容易出现过拟合现象，且深层卷积网络对青铜器铭文细节形态特征提取能力不足，导致铭文分类准确率较低。针对该问题，提出一种融合形态特征的小样本青铜器铭文分类算法。首先，引入形态学算法对铭文进行孔洞填充预处理，降低孔洞对铭文形态结构的影响；其次，调整AlexNet结构，并在各卷积层中引入批量归一化，控制每批随机输入值的分布情况，使输入数据符合正态分布标准，避免网络向单一方向过度学习，抑制过拟合现象；最后，使用speeded-up robust features（SURF）算子提取铭文细节形态特征，并将其与卷积神经网络提取的抽象信息融合，增强分类器的表达能力。在自制青铜器铭文数据集上的实验结果表明，所提算法的分类准确率高达98.86%，优于LeNet5、Vgg13、Vgg16、ResNet、AlexNet 等传统算法，说明改进后的算法能有效解决小样本铭文分类准确率低的问题。
图像处理 青铜器铭文分类 深度学习 小样本学习 特征融合 激光与光电子学进展
2023, 60(4): 0410011
红外与激光工程
2021, 50(11): 20210075
