基于改进 SSD 的少样本目标检测

来源：计算机技术与发展杂志2023年第11期北京时间：

作者：毕忠勤;单美静;刘志斌;徐富强

单位：1. 上海电力大学 计算机科学与技术学院, 上海 200090;2. 华东政法大学 信息科学与技术系,上海 201620

摘要：目标检测作为深度学习的热点问题之一,在自动驾驶、行人识别、智能医疗、机器人视觉等多个领域有着广泛的应用前景。 但现有的大部分目标检测模型都依赖于大规模的标注数据集来训练模型以保证目标检测的准确率,而在许多实际的应用场景中,大量数据的标注不仅耗费人力物力,而且需要大量专业人士的参与,在一定程度上限制了目标检测模型的实际应用。 针对少样本目标检测的特殊要求,基于 SSD 网络提出了一种改进的少样本目标检测模型,提高了目标检测应用的适用性。 首先,在 SSD ( Single Shot multiBox Detector) 网络的基础上,用 ResNet-50 代替 VGG 作为特征网络,从而提升模型的特征提取能力。 其次,通过引入残差单元避免了网络退化问题。 最后,为了充分融合各层之间的语义信息和位置信息,用 FPN ( Feature Pyramid Networks)替换了原模型中间的两个特征层。 基于改进 SSD 网络的目标检测模型在少样本数据集的检测结果中,mAP 值达到了 79.8% ,比原始模型提高了 2. 6 百分点。

关键词：目标检测;机器学习;少样本;FPN;SSD 网络模型