零样本目标检测是近年来用于对训练中未见(unseen)类别目标进行分类和定位的一种技术。由此带来了目标检测中的新问题——目标视觉特征与其对应的类别语义信息映射关系不准确,未见类别目标与背景分辨性不强。提出的强分辨算法(adaptive ...零样本目标检测是近年来用于对训练中未见(unseen)类别目标进行分类和定位的一种技术。由此带来了目标检测中的新问题——目标视觉特征与其对应的类别语义信息映射关系不准确,未见类别目标与背景分辨性不强。提出的强分辨算法(adaptive channel with center distance Gaussian distribution loss,ACDG)使用特征图通道自适应加权机制,能够根据不同类别目标对特征图通道自动赋予权值,加强关键特征图的权重,抑制次要特征图的信息,增强特征提取网络的表征性,以建立更准确的视觉特征和语义特征之间映射关系。为了解决未见类别目标与背景分辨性不高的问题,提出中心距离高斯分布损失,约束预测边界框中心点与真实值(groundtruth)中心点位置的距离,进而加快损失函数收敛。为了验证所提算法的先进性,在MS COCO数据集上完成了大量实验,召回率和平均精度分别高出原始方法5.9%和4.5%。展开更多
文摘零样本目标检测是近年来用于对训练中未见(unseen)类别目标进行分类和定位的一种技术。由此带来了目标检测中的新问题——目标视觉特征与其对应的类别语义信息映射关系不准确,未见类别目标与背景分辨性不强。提出的强分辨算法(adaptive channel with center distance Gaussian distribution loss,ACDG)使用特征图通道自适应加权机制,能够根据不同类别目标对特征图通道自动赋予权值,加强关键特征图的权重,抑制次要特征图的信息,增强特征提取网络的表征性,以建立更准确的视觉特征和语义特征之间映射关系。为了解决未见类别目标与背景分辨性不高的问题,提出中心距离高斯分布损失,约束预测边界框中心点与真实值(groundtruth)中心点位置的距离,进而加快损失函数收敛。为了验证所提算法的先进性,在MS COCO数据集上完成了大量实验,召回率和平均精度分别高出原始方法5.9%和4.5%。
