[發(fā)明專利]基于元特征和權重調整的少樣本目標檢測方法及網絡模型

在審

• 申請?zhí)枺?/td>: 202011309906.3
• 申請日: 2020-11-20
• 公開（公告）號: CN112364931A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設計）人: 夏利鋒;王紹麗;肖和龍;鄧建猛;黃俊;李凌榮;蔣曉鵬;劉文燦;雷一鳴
• 申請（專利權）人: 長沙軍民先進技術研究有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/73
• 代理公司: 長沙市護航專利代理事務所(特殊普通合伙) 43220
• 代理人: 莫曉齊

1.基于元特征和權重調整的少樣本目標檢測方法，其特征在于，所述方法包括以下步驟：

S1、構建檢測網絡模型并對輸入的base類訓練圖像、new類訓練圖像和測試圖像均進行預處理；

S2、將預處理后的base類訓練圖像輸入檢測網絡模型中的元特征提取模塊和權重調整模塊進行卷積以提取對應的元特征圖和權重向量；

S3、將各自卷積提取的元特征圖和權重向量進行結合并獲取對應的多維特征圖，然后將獲取的多維特征圖輸入分類回歸模塊的分類器和回歸器中進行分類和回歸，根據分類回歸模塊的當前目標輸出結果與目標的真實類別及目標框位置計算出目標損失函數；

S4、根據所計算的目標損失函數和梯度下降不斷調整網絡參數，完成base類圖像訓練檢測網絡模型；

S5、將預處理后的new類訓練圖像和base類訓練圖像聯(lián)合輸入檢測網絡模型中的元特征提取模塊和權重調整模塊進行卷積以提取其對應的元特征圖和權重向量；

S6、重復步驟S3，并根據所計算的目標損失函數和梯度下降不斷調整網絡參數，從而完成new類和base類聯(lián)合圖像訓練檢測網絡模型；

S7、利用步驟S6中完成的訓練檢測網絡模型對預處理后的測試圖像進行檢測，進而輸出測試圖像中目標的檢測結果。

2.如權利要求1所述的基于元特征和權重調整的少樣本目標檢測方法，其特征在于，所述步驟S1的具體實現(xiàn)方式為：將輸入的base類訓練圖像、new類訓練圖像和測試圖像尺寸利用雙線性插值法縮放至416×416，然后歸一化至[0，1]區(qū)間。

3.如權利要求2所述的基于元特征和權重調整的少樣本目標檢測方法，其特征在于，所述步驟S2的具體實現(xiàn)方式包括：

S21、將預處理后的base類Query圖像輸入元特征提取模塊進行卷積，提取不同目標類別的元特征圖；

S22、將預處理后的base類Support圖像輸入權重調整模塊進行卷積，提取各個目標類別的權重向量。

4.如權利要求3所述的基于元特征和權重調整的少樣本目標檢測方法，其特征在于，所述步驟S3的具體實現(xiàn)方式包括：

S31、將各自卷積所提取的元特征圖和權重向量通過一個1×1的卷積進行結合，然后獲取其對應的多維特征圖；

S32、將所獲取的多維特征圖輸入分類回歸模塊的分類器和回歸器中進行分類和回歸，從而輸出當前目標屬于每一個類別的概率及其對應坐標；

S33、根據分類回歸模塊輸出的當前目標屬于每一個類別的概率及其對應坐標與當前目標的真實類別及目標框位置計算出目標損失函數。

5.如權利要求4所述的基于元特征和權重調整的少樣本目標檢測方法，其特征在于，所述步驟S32中的將所獲取的多維特征圖進行分類和回歸可用公式表示為：

(o_i,x_i,y_i,h_i,w_i,c_i)＝p(F_i) (1)

式(1)中，i表示不同的類，i＝1，...，N，N為自然數，o表示錨點anchor的目標度評分，(x,y,h,w)表示定位框bbox的位置偏移量，x,y表示定位框的左上角位置坐標，h表示定位框的高度，w表示定位框的寬度，c表示分類分數，p表示預測模型，F(xiàn)_i表示類i的特定特征，其中F＝D(I)表示輸入圖像I對應的元特征圖，D表示對輸入圖像I卷積，w_i＝M(I_i,Q_i)表示類i特定的權重向量，Q_i表示輸入圖像相關的邊界框注釋。