基于改进SSD的少样本目标检测

作者：毕忠勤; 单美静; 刘志斌^*; 徐富强

来源：计算机技术与发展, 2023, 33(11): 35-40.

• 目标检测
• 机器学习
• 少样本
• FPN
• SSD网络模型

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。

• 出版日期2023
• 单位上海电力大学; 华东政法大学