.png){kind=icon}
返回
SM-FSOD: A Second-Order Meta-Learning Algorithm for Few-Shot PCB Defect Object Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14193863.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少样本目标检测方法在自然场景中表现良好，其中元学习器能够从有限的支撑数据中有效提取目标特征。然而，PCB缺陷检测面临独特挑战：缺陷样本稀缺、目标分辨率低以及严重的过拟合风险。此外，PCB密集的电路布局会产生低对比度缺陷，这些缺陷易与背景噪声融合，而传统元学习难以在实际制造约束下生成逼真的合成缺陷。为克服这些局限性，我们提出了SM-FSOD模型，这是一种具有缺陷感知原型网络的二阶元学习模型。与常规方法不同，它从少样本样本构建类别原型时，能够动态强调关键缺陷特征。我们在DeepPCB和DsPCBSD+数据集上进行了大量的少样本实验，验证了SM-FSOD模型的有效性。DeepPCB数据集上的比较测试表明，与强大的Meta-RCNN基线相比，我们的模型在具有挑战性的五样本设置下实现了最大14.0%的性能提升，在更宽松的五十样本设置下仍获得了7.6%的精度增益。类似地，DsPCBSD+数据集上的评估显示，所提方法在复杂场景下相比竞争性DeFRCN模型保持2.3%至9.6%的平均精度提升，表明SM-FSOD在不同应用环境中的强适应性。消融研究进一步证明，相比基线，单独引入改进的MOMP和DGPT模块在五样本设置下分别带来3.6%和4.5%的平均精度增益，证实这些改进能够正交提升少样本PCB场景下的检测精度。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Metric-based Meta-Learning Model for Few-Shot PolSAR Image Terrain Classification基于度量的元学习模型用于少样本极化SAR图像地形分类
PREAI
分享收藏FSNA: Few-Shot Object Detection via Neighborhood Information Adaption and All AttentionFSNA：通过邻域信息适应和全注意力机制的少样本目标检测
PREAI
分享收藏Vision-Based Structural Adhesive Detection for Electronic Components on PCBs基于视觉的PCB上电子元器件结构胶检测.png)
ELECTRONICS
OAAI
ELECTRONICSIF2.6
OAAI分享收藏
查看更多内容