基于MAML 算法的YOLOv3 目標檢測模型

沈震宇， 朱昌明， 王 喆

（1. 上海海事大學(xué)信息工程學(xué)院，上海 202010；2. 華東理工大學(xué)信息科學(xué)與工程學(xué)院，上海 200237）

目前計算機視覺依然是研究領(lǐng)域的熱點，同時也是人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)的研究方向之一。生活中，凡是運用電子設(shè)備去執(zhí)行監(jiān)控、識別、追蹤等操作時都需要計算機視覺技術(shù)。其中目標檢測屬于圖像識別的一個基本任務(wù)，被廣泛應(yīng)用于機器人導(dǎo)航、智能視頻監(jiān)控、工業(yè)檢測等諸多領(lǐng)域，并且通過圖像識別能減少對人力的消耗，因此具有重要的現(xiàn)實意義。

傳統(tǒng)的目標檢測模型都是通過大量數(shù)據(jù)樣本的訓(xùn)練和測試來實現(xiàn)檢測目標的目的，且大多數(shù)的目標檢測算法都是基于提高檢測精度或檢測速度的目的而被提出的。目前的目標檢測算法依然存在一些問題：

（1）為了訓(xùn)練目標檢測模型需準備大量的高質(zhì)量樣本，花費很多時間和精力，同時也需要一定的訓(xùn)練時間。

（2）對于一個訓(xùn)練過的目標檢測模型，遇到新的檢測任務(wù)，且這項任務(wù)中如果出現(xiàn)未訓(xùn)練過的目標類別，那么這個目標檢測模型的泛化性將受到一定程度的考驗，甚至可能無法檢測出該目標。

近年來，對僅使用小樣本進行目標檢測的研究相對較少。其中文獻[1]提出了基于注意力機制的區(qū)域候選網(wǎng)絡(luò)和多關(guān)系檢測器的小樣本目標檢測網(wǎng)絡(luò)，充分利用少量訓(xùn)練樣本和測試集之間的相似度來檢測新對象，同時抑制背景中的錯誤檢測。文獻[2]引入了一個針對源和目標特征的配對機制來緩解目標域樣本不足的問題，并在此基礎(chǔ)上提出了一個雙層模塊，以實現(xiàn)在源域上訓(xùn)練的檢測器適配到目標域上。文獻[3]在SSD 的網(wǎng)絡(luò)結(jié)構(gòu)上增加了空洞金字塔模塊和特征空洞金字塔模塊，提升了網(wǎng)絡(luò)淺層特征層的語義信息和深層特征層的感受野，從而加強了特征提取的能力。該類方法雖然能解決小樣本學(xué)習(xí)的問題，但仍存在一些解決難點，主要包括以下幾點：（1）該類方法都是通過比對的方式進行的，仍需要大量的數(shù)據(jù)進行模型訓(xùn)練。（2）由于是通過比對的方式進行有目標的檢測，要檢測的目標類別都必須進行比對，因此十分耗時。（3）該類方法是基于對目標具有建議機制的兩階段檢測算法來進行改進的，兩階段檢測算法本身就相對耗時。

為了解決因模型中某方面能力欠缺而存在的問題，與模型無關(guān)的學(xué)習(xí)算法被提出，如元學(xué)習(xí)（Meta Learning）。元學(xué)習(xí)的研究目的不是提升模型針對某項任務(wù)的處理能力，而是提升模型解決一系列任務(wù)的能力。MAML[4]就是元學(xué)習(xí)中的一種算法，通過獨立的損失函數(shù)在訓(xùn)練時不斷地在不同類的任務(wù)上學(xué)習(xí)，最終使模型獲得一個良好的初始化參數(shù)。此外，也有在模型上進行改進的方式，如文獻[5]在網(wǎng)絡(luò)中通過減少池化并在網(wǎng)絡(luò)底層加入空間加信道壓縮激勵模塊來突出可利用的細節(jié)信息，在深層網(wǎng)絡(luò)中加入可變多尺度特征融合模塊，增加感受野，最終生成高質(zhì)量的特征圖。

從模型的角度來看，一體化卷積神經(jīng)網(wǎng)絡(luò)檢測算法雖然檢測準確性相對較低，但由于其端到端的網(wǎng)絡(luò)結(jié)構(gòu)，具備了網(wǎng)絡(luò)速度快的特性。YOLOv3[6]是典型的代表，雖然它的檢測性能差于最新發(fā)表的YOLOv4[7]，即在平均精度（Average Precision，AP）值上相對較低，但其傳輸途徑簡單、通用性強，因此本文針對小樣本目標檢測的難點和YOLOv3 檢測準確性低的問題，提出了一種基于MAML 算法的YOLOv3目標檢測算法。根據(jù)MAML 算法原理改進YOLOv3中主干網(wǎng)絡(luò)的信息傳輸形式，使Darknet-53 在梯度下降方面實現(xiàn)參數(shù)內(nèi)更新和外更新兩個階段，通過其損失函數(shù)在多步梯度調(diào)整的情況下使模型訓(xùn)練得到的初始化參數(shù)能更加聚焦于目標的特征信息，以便在后續(xù)的訓(xùn)練和預(yù)測時提高YOLOv3 檢測的準確性和泛化性，也能以常規(guī)的推理形式直接進行小樣本檢測，效率高且數(shù)據(jù)量需求低。

1 相關(guān)工作

1.1 研究背景

目標檢測算法經(jīng)過了數(shù)十年的發(fā)展歷程，從2012 年開始，基于深度學(xué)習(xí)的目標檢測算法逐漸代替了基于手工特征的檢測算法?；谏疃葘W(xué)習(xí)的目標檢測算法發(fā)展至今，大致分為兩種方式：一種是基于對目標具有建議機制的兩階段檢測；另一種是一體化卷積網(wǎng)絡(luò)的檢測。在兩階段檢測的技術(shù)發(fā)展上，RCNN[8]是最早且最為經(jīng)典的代表算法，它通過候選區(qū)域選擇的方法，對目標圖像進行建議提取并將其標準化作為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的輸入；CNN根據(jù)輸入執(zhí)行諸如卷積或池化等操作以獲得固定維度的輸出，即特征提取；最后由支持向量機（SVM）對特征樣本分類，通過邊界回歸框回歸獲得精確的區(qū)域信息。由于RCNN 在高密度的候選區(qū)域上反復(fù)進行特征提取且訓(xùn)練包括多個階段，導(dǎo)致算法繁瑣和耗時，因此整體的目標檢測速度緩慢且各類別平均精度的均值（mean Average Precision，mAP）也相對不高。兩階段檢測算法還包括SPPnet[9]、Fast RCNN[10]、Faster RCNN[11]、FPN[12]等。

一體化卷積網(wǎng)絡(luò)檢測算法中也出現(xiàn)了許多著名的算法，其中YOLO[13]算法是第1 個一體化卷積網(wǎng)絡(luò)檢測算法，也是相當(dāng)經(jīng)典且重要的算法。YOLO 模型的檢測速度非?？?，但它沒有采用建議機制，且只通過一次向前傳播來獲取目標包圍框的位置和目標的類別，與Faster RCNN 相比，檢測精度相對較低，尤其是對小目標的檢測效果較差。Liu 等[14]結(jié)合YOLO檢測速度快和區(qū)域候選網(wǎng)絡(luò)（Region Proposal Network，RPN）定位準確的優(yōu)點，提出了SSD 算法，在檢測準確率上接近Faster RCNN，同時又保持了極快的檢測速度，且在訓(xùn)練過程中，SSD 算法還采用了難樣本挖掘操作對圖像的難樣本進行聚焦。Lin 等[15]對兩種檢測算法存在的差異進行研究之后提出了RetinaNet模型，對傳統(tǒng)的交叉熵損失函數(shù)進行了修正，提出了聚焦損失函數(shù)，使簡單背景樣本在網(wǎng)絡(luò)訓(xùn)練過程中降低學(xué)習(xí)權(quán)重，更加聚焦于難樣本的學(xué)習(xí)，從而使一體化卷機網(wǎng)絡(luò)的檢測不論是在速度上還是在精度上都優(yōu)于對目標具有建議機制的兩階段檢測。

近年來，一些新的一體化卷積網(wǎng)絡(luò)被提出，如FCOS[16]，直接取消了錨框的使用，通過一種更簡單、更靈活的檢測框架對每一個像素預(yù)測一個目標來解決目標檢測問題，并且提升了檢測效果。除此之外，相關(guān)的基于小樣本的深度學(xué)習(xí)應(yīng)用也被提出，如文獻[17]利用多尺度空洞原型網(wǎng)絡(luò)進行小樣本的深度學(xué)習(xí)，通過運動特征和幾何先驗來識別通風(fēng)柜櫥窗的狀態(tài)，從而達到化學(xué)實驗室櫥窗安全管理的目的。

1.2 YOLO 的相關(guān)研究

YOLO 模型作為第1 個一體化卷積網(wǎng)絡(luò)檢測算法，其核心思想就是直接利用整張圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，在輸出層獲得目標包圍框的位置和目標的類別。雖然檢測速度快，但由于自身損失函數(shù)和整體結(jié)構(gòu)的問題，導(dǎo)致定位產(chǎn)生誤差，對小目標的檢測效果差，且當(dāng)同一目標出現(xiàn)不同長寬比時泛化性能較弱。然而YOLO 模型發(fā)展至今，經(jīng)過了3 次版本的改善，目前已更新至YOLOv4。每次的改善都會解決上一代許多的不足之處，從而在保持檢測速度快的情況下達到精度提升的效果。

Redmon 等[18]對YOLO 多目標檢測框架進行了改進，提出了YOLOv2。其中對精度的改進包括批次標準化、高分辨率分類器、帶錨框的卷積、維度聚類、直接位置預(yù)測、細粒度特征、多尺度訓(xùn)練；對速度的改進包括主干網(wǎng)絡(luò)結(jié)構(gòu)采用Darknet-19 以及對分類網(wǎng)絡(luò)訓(xùn)練和檢測網(wǎng)絡(luò)訓(xùn)練，此外還使用了聯(lián)合訓(xùn)練方法，結(jié)合詞集之間的樹形結(jié)構(gòu)（Wordtree）等方法，使YOLOv2 的檢測種類擴充到了上千種。

2018 年， Redmon 等[6]提 出 了YOLOv3。 與YOLOv2 相比，YOLOv3 沒有采用錨框的機制，而是直接將主干網(wǎng)絡(luò)改進為Darknet-53，引入了殘差模塊和多尺度預(yù)測，且在預(yù)測時不使用Softmax，改為邏輯回歸的輸出預(yù)測。雖然YOLOv3 比YOLOv2 復(fù)雜了，但僅通過改變模型結(jié)構(gòu)就使得檢測性能更為突出。

2020 年，YOLOv4[7]被發(fā)表，主要針對各種可以提升精度的技術(shù)進行了整合并加入YOLOv3 中，其中增加了跨階段部分連接（Cross-Stage-Partial-connections，CSP）、空間金字塔池化（Spatial Pyramid Pooling，SPP）、路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PAN）結(jié)構(gòu)等其他一些操作，因此YOLOv4 檢測在速度和精確度上都非常優(yōu)異。

2 相關(guān)原理

2.1 YOLOv3

2.1.1 網(wǎng)絡(luò)結(jié)構(gòu) YOLOv3 的網(wǎng)絡(luò)結(jié)構(gòu)采用Darknet-53，在整個結(jié)構(gòu)中沒有池化層和全連接層。在圖像的前向傳播過程中，主干網(wǎng)絡(luò)通過增大卷積核的步長來變換張量的尺寸，總共縮小圖像5 次，即輸出的特征圖會縮小為輸入圖的1/32，因此一般情況下也會要求輸入圖像為32 的倍數(shù)，方便網(wǎng)絡(luò)訓(xùn)練。

YOLOv3 借 鑒 了 ResNet 的 殘 差 結(jié) 構(gòu)， 即Darknet-53 的結(jié)構(gòu)里大量使用了殘差塊來跳層連接，每一個殘差塊都由1×1 和3×3 的卷積組合構(gòu)成，減少了每次卷積的通道數(shù)，一方面減少了參數(shù)量，另一方面在一定程度上減少了計算量。此外，殘差結(jié)構(gòu)的使用使得Darknet-53 在特征表達上更好，分類和檢測的效果也因此得到提升，且網(wǎng)絡(luò)的訓(xùn)練仍能收斂并一直訓(xùn)練下去。

YOLOv3 在特征提取方面一定程度上也采用了類似特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks，F(xiàn)PN）的思想，在Darknet-53 的最后3 個殘差塊給出3 個輸出，然后執(zhí)行上采樣操作，即采用多個尺度融合的方式進行預(yù)測。通過下采樣的深層特征和前層特征的拼接，能夠讓網(wǎng)絡(luò)同時學(xué)習(xí)到深層和淺層的特征，使其表達效果更好，尤其對于小目標的檢測效果提升比較明顯。

2.2 MAML 算法

MAML 算法主要用來訓(xùn)練一個在各種學(xué)習(xí)任務(wù)上可以僅僅使用少量訓(xùn)練樣本就可以解決新任務(wù)的模型，其通過訓(xùn)練少量任務(wù)做幾步梯度下降來訓(xùn)練模型的初始參數(shù)，從而使模型在新任務(wù)上具有更好的泛化性。MAML 算法之所以能夠提升模型的泛化性，是因為MAML 算法是一個建立適應(yīng)多種任務(wù)的內(nèi)部特征表達的過程，其作用是為了能找到在任務(wù)變化時具有敏感性的模型參數(shù)，因此，參數(shù)的微小變化在損失梯度方向改變時，能極大地改善所有任務(wù)分布中每一個任務(wù)的損失函數(shù)，即使用新任務(wù)上少量的樣本對模型參數(shù)進行微調(diào)后，新模型參數(shù)可以對目標的檢測具有較大的提升。

對于學(xué)習(xí)的初始化參數(shù)不應(yīng)只適用于某一任務(wù)，而要適用于其他各種不同的任務(wù)，因此對于所有任務(wù)的參數(shù)更新公式如下：

3 YOLOv3 結(jié)合MAML

使用YOLOv3 進行目標檢測訓(xùn)練時通常會使用凍結(jié)網(wǎng)絡(luò)層來進行訓(xùn)練，這是因為高層的語義信息都差不多，為了讓模型能更快地學(xué)習(xí)到圖像更底層的一些信息，都會采取這項操作。保持前幾層網(wǎng)絡(luò)的權(quán)重參數(shù)不參與梯度下降而改變底層的權(quán)重參數(shù)，凍結(jié)網(wǎng)絡(luò)層之后再進行解凍網(wǎng)絡(luò)層訓(xùn)練，微調(diào)整個網(wǎng)絡(luò)的權(quán)重參數(shù)。

在凍結(jié)網(wǎng)絡(luò)層訓(xùn)練時發(fā)現(xiàn)，除了前幾輪損失值會大幅下降以外，后續(xù)幾輪損失值的下降變得比較緩慢，迭代輪數(shù)越多，損失值下降1 時所需要的迭代輪數(shù)越多?？梢钥闯?，雖然模型漸漸學(xué)習(xí)到了圖像中帶有目標的特征信息，但達到最優(yōu)值時所需要的梯度下降的迭代輪數(shù)較多，訓(xùn)練比較緩慢，尤其是在解凍網(wǎng)絡(luò)層訓(xùn)練時需要花費的時間更長、迭代輪數(shù)更多。

本文提出在YOLOv3 的訓(xùn)練環(huán)節(jié)改變網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合MAML 算法對整個模型的權(quán)重參數(shù)進行更新。由于YOLOv3 主干網(wǎng)絡(luò)之后的部分是經(jīng)由Darknet-53 的3 個輸出進行多尺度結(jié)合操作，所以進行MAML預(yù)訓(xùn)練的操作只利用Darknet-53 的網(wǎng)絡(luò)結(jié)構(gòu)來進行梯度下降，如圖1 所示。在MAML 的訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)流程圖里，通過在每個殘差塊之間增加多次的梯度下降來更新參數(shù)，優(yōu)化內(nèi)部的網(wǎng)絡(luò)權(quán)重，稱之為內(nèi)更新參數(shù)；再按照不同的權(quán)重將每次梯度所對應(yīng)的損失相加求和并取平均，然后再進行一次梯度下降，稱之為外更新參數(shù)。通過MAML 算法對內(nèi)外層的梯度下降，尋找到一組相對最優(yōu)的參數(shù)，使得模型在經(jīng)過訓(xùn)練的梯度下降后得到的參數(shù)能在驗證集上的誤差更小。在對Darknet-53 的每層權(quán)重進行更新時，也會在一定程度上改善梯度信息重復(fù)的問題，雖然學(xué)到的初始化參數(shù)可能在訓(xùn)練時表現(xiàn)并不出色，但是以這個參數(shù)為起點，去學(xué)習(xí)新的目標時會學(xué)得又快又好。

圖1 MAML 訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)流程圖Fig. 1 Structure of MAML training network

總之，通過其損失函數(shù)在多步梯度調(diào)整的情況下來使模型訓(xùn)練得到的權(quán)重參數(shù)能更加聚焦于目標的特征信息，即使是在學(xué)習(xí)到少量樣本類別的情況下，遇到新任務(wù)時也能在新任務(wù)中保持對目標的敏感程度，使模型更具泛化性，在這之后再進行對圖像特征信息的提取，會讓損失的梯度下降得更快，同時又能保證訓(xùn)練的穩(wěn)定性。

4 實驗及分析

4.1 數(shù)據(jù)集

實驗采用VOC2012 數(shù)據(jù)集，共分為20 類，主要有：人、常見動物、交通車輛、室內(nèi)家具用品，共計17125幅圖。

4.2 實驗設(shè)置

實 驗 的 硬 件 環(huán) 境 為HP PAVILION 15-BC200，Intel Core i5-7300HQ 2.50 GHz，8 GB RAM，顯 卡 為NVIDIA GEFORCE GTX 1050。實驗的編程語言選用Python3.6，深度學(xué)習(xí)框架為Pytorch。Pytorch 是torch 的Python 版本，專門用來針對GPU 加速的深度神經(jīng)網(wǎng)絡(luò)編程，且能夠根據(jù)計算需要來實時改變計算圖，因此本文采用Pytorch 框架進行實驗。

4.3 實驗步驟

首先對VOC2012 數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，從中挑選出一組包含30 個目標的背景集和另一組包含20 個目標的評估集，從中采樣N個類，每個類有K個訓(xùn)練樣本，組成一個訓(xùn)練任務(wù)，稱為N-ways K-shot 分類；然后再從剩下的類中繼續(xù)重復(fù)上一步的采樣，構(gòu)建第2 個任務(wù)，共構(gòu)建m個任務(wù)。將m個任務(wù)分成訓(xùn)練任務(wù)和測試任務(wù)，在訓(xùn)練任務(wù)上訓(xùn)練元學(xué)習(xí)算法，通過訓(xùn)練元學(xué)習(xí)來學(xué)習(xí)一組基于Darknet-53 的有潛力的初始化參數(shù)，然后再用測試任務(wù)評估元學(xué)習(xí)得到的算法的學(xué)習(xí)能力。由于使用的是VOC2012 數(shù)據(jù)集，所以采用了20ways、1shot 的任務(wù)類型來進行訓(xùn)練。

將VOC2012 數(shù)據(jù)集的90%作為訓(xùn)練集，10%作為測試集，訓(xùn)練集的10%作為驗證集。開始時使用學(xué)習(xí)率為1×10?1、批量大小為4 進行25 輪的凍結(jié)網(wǎng)絡(luò)層訓(xùn)練。學(xué)習(xí)率設(shè)置為1×10?1可以使參數(shù)收斂得更快，之后再以同樣的學(xué)習(xí)率和批量大小進行25 輪的解凍網(wǎng)絡(luò)層訓(xùn)練。

訓(xùn)練結(jié)束后，導(dǎo)入損失值最低的模型，輸入圖像進行預(yù)測,并給出損失率和mAP 值。

4.4 實驗結(jié)果

在對YOLOv3 以及基于MAML 的YOLOv3 模型進行訓(xùn)練之后，分別給出了它們對于VOC2012 數(shù)據(jù)集中20 類別的測試分類結(jié)果，如圖2 和圖3 所示，其中樣本分類正確的為TP，樣本分類錯誤的為FP?？赡苁鞘艿絀OU 函數(shù)的限制，兩個模型在樣本分類正確的數(shù)量上差別不大，但顯而易見的是基于MAML的YOLOv3 模型對于樣本分類錯誤的數(shù)量小于YOLOv3 模型，尤其是人的樣本差別更為明顯。這也說明了除去預(yù)測邊框與實際邊框受到IOU 函數(shù)的影響因素以外，MAML 有助于YOLOv3 模型對于目標的學(xué)習(xí)，即能在一定程度上減少其分類錯誤的結(jié)果。同時，由于減少了目標樣本錯分的結(jié)果，使得模型在全局樣本上的預(yù)測精確度得到了一定的提升。如表1 所示，基于MAML 的YOLOv3 的精確度比原模型的精確度提高了約6%。

圖2 YOLOv3 的樣本分類結(jié)果Fig. 2 Classification results of YOLOv3

圖3 基于MAML 的YOLOv3 的樣本分類結(jié)果Fig. 3 Classification results of YOLOv3 based on MAML

表1 分類結(jié)果的精確度比較結(jié)果Table 1 Accuracy of classification results

如表1 所示，YOLOv3 模型訓(xùn)練后的mAP 最高可達74.81%?；贛AML 的YOLOv3 的mAP 值提升了5.24%。圖4 示出了VOC2012 數(shù)據(jù)集中20 個類別被檢測到的目標樣本的AP 值，相比之下，圖5示出了基于MAML 的YOLOv3 的AP 值。

圖4 YOLOv3 模型的AP 值Fig. 4 AP Value of YOLOv3 model

圖5 基于MAML 的YOLOv3 模型的AP 值Fig. 5 AP Value of YOLOv3 model based on MAML

使用MAML 前凍結(jié)網(wǎng)絡(luò)層訓(xùn)練的損失函數(shù)曲線變化如圖6 所示，使用MAML 后解凍網(wǎng)絡(luò)層訓(xùn)練的損失函數(shù)曲線變化如圖7 所示?？梢钥闯?，MAML算法使得模型本身在訓(xùn)練環(huán)節(jié)對圖像的學(xué)習(xí)更加迅速且準確，同時從解凍網(wǎng)絡(luò)層訓(xùn)練的環(huán)節(jié)可以看出，MAML 算法還能使模型對圖像的學(xué)習(xí)更加穩(wěn)定，即不會使模型的梯度信息重復(fù)，導(dǎo)致權(quán)重參數(shù)的更新來回浮動，且變化幅度較大，而是能在一定程度上使模型保持對目標的敏感度，在學(xué)習(xí)過程中可以通過穩(wěn)定的梯度下降來更新參數(shù)。

圖6 凍結(jié)網(wǎng)絡(luò)層訓(xùn)練的損失函數(shù)曲線變化Fig. 6 Change curves of training loss of frozen network layer

圖7 解凍網(wǎng)絡(luò)層訓(xùn)練的損失函數(shù)曲線變化Fig. 7 Change curves of training loss of thawing network layer

使用基于MAML 算法的YOLOv3 模型進行預(yù)測時也取得了不錯的效果。如圖8 所示，對于車輛和人的檢測準確度都相當(dāng)高，除了一些場景中遠處的人物，即小目標沒有檢測到以外，最右側(cè)只露出車體一小部分的地方都基本檢測到了，體現(xiàn)出基于MAML的YOLOv3 模型對圖像目標的學(xué)習(xí)比較敏感。

圖 8 基于MAML 的YOLOv3 預(yù)測結(jié)果Fig. 8 Prediction results of YOLOv3 model based on MAML

5 結(jié)論與展望

基于MAML 使得YOLOv3 目標檢測模型上的權(quán)值參數(shù)從一開始就學(xué)到了更加具有學(xué)習(xí)能力的參數(shù)，因此在訓(xùn)練過程中模型的訓(xùn)練也更加迅速，即不需要改變學(xué)習(xí)率來改變收斂速度，不僅能使檢測更加精確，還避免了收斂時難以達到最優(yōu)值的問題，同時因MAML 使模型對圖像中的目標更加敏感，從而使模型的泛化性得到了提升。

結(jié)合MAML 可以使得在對設(shè)備硬件限制的情況下或無需更新硬件配置的情況下，對原本就采用YOLOv3 模型進行目標檢測的設(shè)備依然可以使用基于MAML 的YOLOv3 模型進行目標檢測。此外由于結(jié)合MAML，對于存在小目標樣本和存在數(shù)據(jù)集中學(xué)習(xí)的不夠多的樣本的場景中，選擇使用改進后的YOLOv3 能比原模型檢測到目標的概率更高。MAML 作為元學(xué)習(xí)的方法之一，給模型帶來提升的潛力是比較大的，這也將成為今后研究和發(fā)展的關(guān)鍵。