[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

本發明公開了基于空間位置特征重加權的小樣本目標檢測方法及系統，按照基類和新類構造支持集和查詢集樣本；構造基于目標完整性的特征融合模塊；構造基于空間位置信息的特征調整模塊；使用兩階段的訓練方式對整個網絡進行訓練，該網絡包括特征提取器、基于目標完整性的特征融合模塊、元學習器、基于空間位置信息的特征調整模塊和檢測層；在基類訓練階段，使用基類構造的支持集和查詢樣本訓練；在小樣本微調階段，使用基類和新類構造的平衡數據集訓練；輸入新類的測試和支持集圖像，得到檢測結果；本發明利用多個淺層特征并維持目標結構的完整性，同時，通過生成包含空間位置信息的元特征，對查詢樣本特征進行空間維度的調整，提高目標檢測效果。

技術領域

本發明屬于計算機視覺技術領域，具體涉及基于空間位置特征重加權的小樣本目標檢測方法及系統。

背景技術

近幾年，由于計算機硬件的快速發展，以及ImageNet等大規模帶標簽數據集的出現，人工智能得到了巨大的發展，使其在許多領域都超過了人類。但是，想要讓人工智能像人類一樣能夠利用少量樣本學習到新的知識并用于解決實際問題，仍然面臨著許多問題與挑戰。

深度學習作為一項數據驅動的技術，一般依賴于大量的訓練數據才能使模型獲得良好的結果。但在現實世界的真實場景中，收集大量的數據并進行相應的標注需要消耗專業人員大量的精力和時間，甚至在某些特殊的應用領域，例如罕見或重大疾病以及違禁物品的識別與檢測等，標簽的獲取和制作過程都較困難。因此，讓深度學習模型具有從少量樣本中快速學習的能力成為國內外學者開始專注研究的問題，這一類問題被稱為小樣本學習。

目前，小樣本學習方法的應用領域廣泛，但基于小樣本學習的目標檢測領域的相關研究較少。目標檢測是計算機視覺領域一個經典的任務，如何把經典的目標檢測方法與小樣本場景相結合也是一個研究的熱點。隨著小樣本目標檢測相關研究的深入，能夠在數據匱乏的場景下解決目標檢測問題，同時降低對數據的依賴，促進人工智能項目的落地，因此研究小樣本場景下的目標檢測任務具有一定的科研價值和實用價值。

早期，人們通過擴充樣本數量來解決小樣本目標檢測的問題。由于原始數據集中的樣本數量較少，樣本的可擴充空間有限且生成的樣本或特征過于相似，導致利用擴充后的數據集對模型進行訓練后，模型的提升效果并不高。所以，現在更多地從學習策略出發，通過修改原始目標檢測模型的結構，更多地利用少量有標簽樣本和待檢測樣本自身的信息。

目前的小樣本目標檢測方法主要是將小樣本學習方法與成熟的目標檢測框架相結合。具體可分為兩種，第一種是使用度量學習的小樣本學習方法，通過計算輸入特征與其它類別特征之間的距離，判斷輸入圖片所屬類別，以此訓練一個模塊最為目標檢測模型的分類頭，從而實現小樣本目標檢測效果。第二種是使用元學習的小樣本學習方法，通過在原始目標檢測模型的基礎上添加一個元學習器學習支持集樣本的特征，并用該特征調整待檢測樣本的特征，然后對調整后的特征進行檢測。第二種方法中的基于特征重加權的小樣本目標檢測方法(FODFR)，僅對查詢樣本特征進行通道維度的調整，忽略了空間信息對目標檢測任務的重要性，且FODFR的原始目標檢測框架的細粒度檢測方法不適用于小樣本目標檢測場景。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供基于空間位置特征重加權的小樣本目標檢測方法及系統，解決了現有的基于元學習的小樣本目標檢測方法中，僅對查詢樣本的特征進行通道維度的調整，忽略目標物體的空間信息對檢測的重要性，以及該目標檢測框破壞了淺層特征中目標完整性的問題。

基于空間位置特征重加權的小樣本目標檢測方法，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；