.png){kind=icon}
返回
Edge–Cloud Collaborated Prototype Graph Network for Efficient Few-Shot Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3658853.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着工业自动化技术的快速发展，少样本目标检测已作为一种有前景的解决方案，用于仅利用有限的标注数据识别新类别。然而，现有方法在部署于资源受限的工业环境中时，往往面临高计算复杂度和有限的适应性等问题。为实现在精确检测、效率和安全性方面的目标，本文提出了一种基于边缘-云双原型图卷积网络（EC-DP-GCN）的协同计算框架，用于具有层次化知识嵌入的少样本目标检测。该框架包含三个关键组件：设备-EC架构、正负原型（PNP）模块和类-原型-样本驱动的层次化图（CPS-HG）模块。具体而言，PNP模块通过从有限的支撑样本中构建判别性的正负原型，显式地建模类内多样性，从而增强原型的表征能力。此外，我们进一步引入CPS-HG模块，将双原型视为基于类别的先验知识，并通过包含类别、原型和样本层级的层次化图结构来建模样本之间的关系。这种设计有效地扩展了嵌入空间中的语义边界，以提升知识引导的检测效果。在PASCAL VOC和MS COCO基准上的大量实验表明，EC-DP-GCN显著优于强大的基线模型和先前的方法，在10-shot检测场景中平均提升了1.1%。
Keyword:
Edge–cloud (EC) collaborative computing
few-shot object detection
hierarchical graph convolution network
industrial visual recognition
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Energy-Efficient Resource Allocation in Mobile Edge Computing Using NOMA and Massive MIMO.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Adaptive Task Scheduling in Fog Computing Using Federated DQN and K-Means Clustering基于联邦DQN和K-Means聚类的雾计算自适应任务调度IEEE Access
IEEE AccessIF0
PREAI
分享收藏Binary Similarity Few-Shot Object Detection With Modeling of Hard Negative Samples基于难样本负样本建模的二元相似度少样本目标检测
PREAI
分享收藏Action-By-Detection: Efficient Forklift Action Detection for Autonomous Mobile Robots in Warehouses
PREAI
分享收藏
查看更多内容