第47卷第1期燕山大学学报Vol.47No.12023年1月JournalofYanshanUniversityJan．2023文章编号:1007-791X(2023)01-0064-09一种基于YOLOv5的小样本目标检测模型侯玥，王开宇*，金顺福(燕山大学信息科学与工程学院，河北秦皇岛066004)收稿日期:2022-04-08责任编辑:唐学庆基金项目:国家自然科学基金资助项目(61872311);秦皇岛市重点研发计划资助项目(202101A015)作者简介:侯玥(1996-)，女，湖北荆州人，硕士研究生，主要研究方向为小样本学习;*通信作者:王开宇(1978-)，男，河南开封人，博士，副教授，主要研究方向为分布式计算，机器学习，Email:wangky@ysu．edu．cn。摘要:深度学习技术在目标检测领域取得了显著的成果，但是相关模型在样本量不足的条件下难以发挥作用，借助小样本学习技术可以解决这一问题。本文提出一种新的小样本目标检测模型。首先，设计了一种特征学习器，由SwinTransformer模块和PANET模块组成，从查询集中提取包含全局信息的多尺度元特征，以检测新的类对象。其次，设计了一种权重调整模块，将支持集转换为一个具有类属性的权重系数，为检测新的类对象调整元特征分布。最后在ImageNet-LOC、PASCALVOC和COCO三种数据集上进行实验分析，结果表明本文提出的模型在平均精度、平均召回率指标上相对于现有的先进模型都有了显著的提高。关键词:小样本;目标检测;SwinTransformer;通道注意力机制;YOLOv5中图分类号:TP391．4文献标识码:ADOI:10．3969/j．issn．1007-791X．2023．01．0070引言近年来，在图像分类领域研究成果的基础上，以深度学习为核心的目标检测技术得到飞速发展。其在智能实时监测［1］、船舶检测［2］、自动驾驶［3］、人脸识别［4］等领域得到广泛的应用。目前，基于深度学习的目标检测模型想要训练出好的效果，须要以大量的标注样本为基础，但是在实际应用中，很难获得大规模样本数据。而小样本学习只需要少量样本就可以实现对新类目标的分类识别，减少对大规模标签数据的依赖。受到小样本学习的启发，小样本条件下的目标检测技术也在不断崛起。基于包含足够标记样本的数据集，小样本目标检测只需检测新类别中的少量标记样本，然后构建正确的训练方法，设计合适的模型结构以及与训练相对应的损失函数，就可以得到具有泛化性能的检测模型。这大大提高了模型开发的效率。目前，小样本目标检测方法有基于单阶段或两阶段的目标检测算法。文献［5］以FasterＲ-CNN为骨干网络，也有一些研究基于单阶段目标检测算法。文献［6...
