[發明專利]基于空間位置特征重加權的小樣本目標檢測方法及系統

有效

• 申請號: 202110605399.6
• 申請日: 2021-05-31
• 公開（公告）號: CN113240039B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 劉芳;焦李成;熊怡夢;劉旭;李鵬芳;李玲玲;郭雨薇;陳璞花
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/0985
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.基于空間位置特征重加權的小樣本目標檢測方法，其特征在于，包括以下步驟：

S1、將數據集中的類別劃分為基類和新類類別，并按照C?way?K?shot方法構造成小樣本學習任務的形式，即支持集樣本和查詢樣本；

S2、根據步驟S1得到的查詢樣本，通過基于目標完整性的特征融合模塊，利用多個淺層特征且保留其中目標完整性的同時融合到深層特征中，得到包含豐富淺層特征信息的查詢樣本特征，融合方法具體為：

利用特征提取器的多個淺層特征，增加深層特征中包含的淺層信息量；根據得到的淺層特征信息進行融合，增加深層特征中包含的淺層信息量具體為：

選取特征提取器中最大池化操作前的三個不同尺度的淺層特征，最大、中等以及最小特征尺寸分別為104×104×128、52×52×256、26×26×512；將104×104×128、52×52×256、26×26×512三種尺寸的淺層特征分別輸入到基于目標完整性的特征融合模塊的最下層、中間層以及上層進行相應的處理；

淺層特征信息進行融合具體為：

將三個分支的輸出的淺層特征進行通道維度的拼接，然后輸入到卷積層和最大池化層中，得到目標結構完整的多個淺層特征信息，最后與深層特征進行相加，得到融合淺層信息的查詢樣本特征；

S3、根據步驟S2得到的查詢樣本特征，利用從步驟S1支持集樣本中得到的C個不同類別的元特征與查詢樣本特征F求積，得到C個經過通道維度調整后的查詢樣本特征；

S4、根據步驟S3得到的查詢樣本特征，通過基于空間位置信息的特征調整模塊得到包含空間位置信息的支持集樣本元特征，利用支持集樣本元特征對查詢樣本特征求內積，得到C個經過空間維度調整的查詢樣本特征，利用支持集樣本元特征對查詢樣本特征求內積具體為：

S401、將支持集的樣本S輸入到元學習器中，選取元學習器中全局最大池化層之前的樣本元特征作為模塊的輸入，對于每個類別的支持集樣本元特征進行處理；

S402、將步驟S401處理后的支持集樣本元特征進行通道維度的拼接，然后通過3×3的卷積進行通道維度的融合，最后經過BN層和Leaky?ReLU激活函數層得到包含空間位置信息的支持集樣本元特征

S403、求出C個類別的包含空間位置信息的支持集樣本的元特征利用該元特征與對應類別的查詢樣本特征{F₁,F₂,…,F_i,…,F_C}求內積，得到經過通道維度和空間維度調整的查詢樣本特征

S5、根據步驟S4得到的查詢樣本特征，進行相應類別目標物體的分類和定位，實現小樣本目標檢測。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，查詢樣本表示為支持集樣本表示為C為支持集樣本中的類別個數，K為支持集樣本中每個類別的樣本個數，為第i個類別的查詢樣本,為第i個類別中的第j個支持集樣本。

3.根據權利要求1所述的方法，其特征在于，步驟S2中，特征融合模塊位于查詢樣本特征提取器之后，最下層包括2個1×1和2個3×3的卷積層、一個批歸一化層和一個LeakyReLU激活函數，中間層包括1個1×1的卷積層和1個3×3的卷積層、一個批歸一化層和一個Leaky?ReLU激活函數，最上一層不做任何操作，將三層輸出拼接后，緊接一個3×3卷積層和一個最大池化層。

4.根據權利要求1所述的方法，其特征在于，步驟S4中，特征調整模塊位于元學習器之后，包括一個平均池化層、一個最大池化層，一個3×3的卷積層、一個BN層和Leaky?ReLU激活函數層。

5.根據權利要求1所述的方法，其特征在于，步驟S401中，對于每個類別的支持集樣本元特征進行處理具體為：

第i個類別的元特征表示對進行通道維度的平均池化操作，表示對進行通道維度的最大池化操作。

6.基于空間位置特征重加權的小樣本目標檢測系統，其特征在于，包括：

劃分模塊，將數據集中的類別劃分為基類和新類類別，并按照C?way?K?shot方法構造成小樣本學習任務的形式，即支持集樣本和查詢樣本；

融合模塊，根據劃分模塊得到的查詢樣本，通過基于目標完整性的特征融合模塊，利用多個淺層特征且保留其中目標完整性的同時融合到深層特征中，得到包含豐富淺層特征信息的查詢樣本特征，融合方法具體為：

利用特征提取器的多個淺層特征，增加深層特征中包含的淺層信息量；根據得到的淺層特征信息進行融合，增加深層特征中包含的淺層信息量具體為：

選取特征提取器中最大池化操作前的三個不同尺度的淺層特征，最大、中等以及最小特征尺寸分別為104×104×128、52×52×256、26×26×512；將104×104×128、52×52×256、26×26×512三種尺寸的淺層特征分別輸入到基于目標完整性的特征融合模塊的最下層、中間層以及上層進行相應的處理；

淺層特征信息進行融合具體為：

將三個分支的輸出的淺層特征進行通道維度的拼接，然后輸入到卷積層和最大池化層中，得到目標結構完整的多個淺層特征信息，最后與深層特征進行相加，得到融合淺層信息的查詢樣本特征；

調整模塊，根據融合模塊得到的查詢樣本特征，利用從支持集樣本中得到的C個不同類別的元特征與查詢樣本特征F求積，得到C個經過通道維度調整后的查詢樣本特征；

計算模塊，根據調整模塊得到的查詢樣本特征，通過基于空間位置信息的特征調整模塊得到包含空間位置信息的支持集樣本元特征，利用支持集樣本元特征對查詢樣本特征求內積，得到C個經過空間維度調整的查詢樣本特征，利用支持集樣本元特征對查詢樣本特征求內積具體為：

將支持集的樣本S輸入到元學習器中，選取元學習器中全局最大池化層之前的樣本元特征作為模塊的輸入，對于每個類別的支持集樣本元特征進行處理；將處理后的支持集樣本元特征進行通道維度的拼接，然后通過3×3的卷積進行通道維度的融合，最后經過BN層和Leaky?ReLU激活函數層得到包含空間位置信息的支持集樣本元特征求出C個類別的包含空間位置信息的支持集樣本的元特征利用該元特征與對應類別的查詢樣本特征{F₁,F₂,…,F_i,…,F_C}求內積，得到經過通道維度和空間維度調整的查詢樣本特征

檢測模塊，根據計算模塊得到的查詢樣本特征，進行相應類別目標物體的分類和定位，實現小樣本目標檢測。