[發明專利]一種基于多尺度特征加權的小樣本目標檢測方法

有效

• 申請號: 202011237385.5
• 申請日: 2020-11-09
• 公開（公告）號: CN112464743B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 蔣雯;張子涵;耿杰;鄧鑫洋
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于多尺度特征加權的小樣本目標檢測方法，包括以下步驟：步驟一、將數據集劃分為基本類別與小樣本類別；步驟二、基類訓練過程中構建特征提取網絡；步驟三、構建特征分支網絡，對多尺度的特征進行融合；步驟四、構建權重生成網絡，預測相應類別對應的權重；步驟五、進行類別權重加權過程，使用不同類別的權重向量對特征進行加權；步驟六、使用綜合檢測器進行回歸預測；步驟七、在網絡框架不變的情況下將基本類別與小樣本類別同時加入微調過程，重復上述步驟二至六最終得到小樣本目標檢測的結果。本發明結構清晰，設計了多尺度融合的網絡結構讓網絡能夠使用各個尺度的圖像信息從而能更好的檢測不同尺度的目標。

技術領域

本發明屬于深度學習目標檢測領域，具體針對小樣本領域涉及一種基于多尺度特征加權的小樣本目標檢測方法。

背景技術

隨著近年來計算機技術的發展，計算機的計算能力飛速增長，人工智能技術也逐漸進入人們的視野。人工智能技術旨在讓機器達到像人一樣的智能，可以自行處理問題，甚至比人更加準確更加快速。如今人工智能技術已經在生活中有著廣泛的應用。人工智能技術通過深度學習框架對圖片中的目標特征進行提取和學習讓網絡獲得檢測相應目標的能力從而達到了智能檢測目標的能力。深度學習方法不需要人為設計特征表達來提取特征，而是通過訓練海量的數據自行提取特征，這個過程節省了大量的時間和人力。而且已經被證實，在擁有足夠數據量的情況下，使用深度學習的目標檢測方法的檢測精度要比傳統檢測方法高很多。

深度學習目標檢測在訓練數據量充足時都可以達到不錯的效果，但是當訓練數據量減少時，傳統的深度學習目標檢測網絡的檢測效果都會下降。在大多數目標檢測情況下，不充足的數據量將會限制這些監督學習目標檢測器。由于收集大量的有標注圖片是極為花費人力物力的，所以小樣本條件下的深度學習目標檢測研究就顯得尤為重要。

近年來針對小樣本學習的研究更多的是集中在目標分類任務上，針對小樣本條件下的目標檢測研究相對較少。遷移學習，元學習等思想也相繼被引入來解決小樣本檢測問題。Santoro等人提出使用記憶增強的方法來解決小樣本學習任務。KUN?FU等人在Meta-SSD中提出一種基于元學習的小樣本檢測思路，其通過構建一個元學習器(Meta-learner)去指導網絡的學習，從而使網絡模型能快速地適應新檢測任務，從而實現小樣本目標檢測。這個方法給出了解決小樣本目標檢測的新思路。

但是目前的小樣本目標檢測存在著一些問題，主要表現在：(1)小樣本條件下造成嚴重的正負類別不平衡問題；(2)模型的知識遷移能力都較弱。本發明中將提出一種解決方案用以解決上述兩種小樣本條件下所面臨的問題。

發明內容

針對上述技術問題本發明提供了一種基于多尺度特征加權的小樣本目標檢測方法。首先方法在基本類別上訓練，將多層的特征進行融合，并且通過權重提取網絡給出對每個類別預測的權重，將融合后的特征與每個檢測類別的權重進行加權從而獲得特征對每個類別的預測從而獲得最后的檢測結果。本方法使用特征融合再加權的方法提高了模型對不同尺度的目標的檢測能力，再通過少量小樣本類別樣本進行模型微調從而實現小樣本條件下的目標檢測。

本發明采用的技術方法是：一種基于多尺度特征加權的小樣本目標檢測方法，包括以下步驟：

步驟一、實驗采用PASCAL?VOC數據集，將數據集分為基本類別和小樣本類別兩種：

步驟101、將VOC?07train/val和VOC?12train/val中的所有數據統一作為訓練集，將VOC?07test中數據作為實驗用的測試集。

步驟102、將VOC數據集共20個類別中隨機抽取5個類別作為小樣本類別用于微調過程，其余15個類別作為基本類別用于基本訓練過程。

步驟103、15個基本類別用于模型的基本訓練，在完成基本訓練后用所有20類別一起進行少量迭代的微調得到最后的檢測模型。