[發明專利]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

• 申請號: 202011309906.3
• 申請日: 2020-11-20
• 公開（公告）號: CN112364931A
• 公開（公告）日: 2021-02-12
• 發明（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

本發明公開了一種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，所述方法如下：S1、構建檢測網絡模型并對圖像進行預處理；S2、提取base類圖像的元特征和權重向量；S3、結合提取的元特征和權重向量獲取多維特征圖，并將其輸入分類回歸模塊中計算出損失函數；S4、根據損失函數和梯度下降調整網絡參數，實現base類圖像對檢測網絡模型的訓練；S5、提取base類和new類聯合圖像的元特征和權重向量；S6、重復步驟S3和步驟S4，完成new類和base類聯合圖像對檢測網絡模型的訓練；S7、利用訓練好的檢測網絡模型對測試圖像進行檢測。本發明中檢測網絡模型的訓練利用大量數據的樣本提取元特征，并借助少樣本數據進行微調，提升了少量標記樣本目標檢測的準確率。

技術領域

本發明屬于計算機視覺檢測技術領域，主要涉及深度學習目標檢測，具體來說就是提出了一種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，可以用來實現對只有少量樣本的目標進行分類和定位。

背景技術

目前，計算機視覺領域的目標檢測任務在工業生產及智能監控等領域中都得到了廣泛的應用。目標檢測是從圖像分類基礎上延伸而來的，其主要包括識別圖像中所包含的目標，以及標定出目標的位置。在以前，由于計算機的處理速度和內存的限制，研究人員一般使用傳統非卷積神經網絡的檢測方法來檢測目標，但隨著計算機處理速度和內存的急速發展，使深度學習變成了可行方法。并且，基于深度神經網絡的目標檢測方法在檢測效率以及準確率上均優于傳統的目標檢測方法。

基于深度學習的目標檢測方法主要分為兩種：需要候選框的雙階段目標檢測和不需要候選框的單階段目標檢測。RCNN、SPPNet、Fast-RCNN及Faster RCNN系列屬于前一種方法，RCNN通過對每一個候選框進行卷積進而得到各自的特征圖，再根據所得到的特征圖進行分類和定位；SPPNet和Fast-RCNN首先通過對整張圖進行卷積得到整的特征圖，然后再通過RoI Pooling提取各個候選框的特征，從而改進了RCNN系列；Faster RCNN則是改進了候選框的提取方法，使用了一個RPN網絡來提取候選框，改善了候選框的產生效率。相反，YOLO屬于后一種方法，它直接使用一個神經網絡來進行分類和邊界框預測。在速度和準確率上，兩種檢測方法各有優勢，通常說來，雙階段目標檢測在檢測精度上高于單階段目標檢測，而單階段目標檢測由于其不需要產生候選框，從而在檢測速度上優于雙階段目標檢測，但是兩種檢測方法中的目標檢測任務嚴重依賴于大量帶有標記的數據集進行訓練，但在實際應用中，有些物體的數據本身很少，或者很難去獲取。當帶有標記的數據缺乏時，將產生嚴重的過擬合和非常差的泛化能力，從而導致檢測精度很低或者根本無法檢測。

發明內容

本發明的目的是提供一種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，所述目標檢測方法能夠提升少量標記樣本的目標檢測準確率。

為解決上述技術問題，本發明提供一種基于元特征和權重調整的少樣本目標檢測方法，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類圖像對檢測網絡模型的訓練；

S5、將預處理后的new類訓練圖像和base類訓練圖像聯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；