基于可变卷积与迁移学习的小样本检测方法

针对主流方法对弱小目标识别效率低的问题，提出了一种基于可变卷积与迁移学习的小样本检测方法。基于可变卷积思想改进特征提取主干网络，实现在少量数据上达到和普通卷积在大量数据上相等的学习能力。设计一种Soft-NMS共同作用的方法降低多目标重叠容易出现的漏检问题。通过在公开数据集PASCAL VOC和实测弱小目标数据集上的实验表明，所提算法实现小样本条件下对实测弱小目标的检测与识别，且与原始方法相比性能有显著提高，在公开数据集上较原算法提高了5.5%，在实测数据集上较原算法提高了8.3%。