[發明專利]一種基于Faster RCNN的少樣本目標檢測方法

在審

• 申請號: 202110657030.X
• 申請日: 2021-06-11
• 公開（公告）號: CN113378936A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 苑洪亮;肖和龍;鄧建猛;蒲懷建;薛斌;劉逸塵
• 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;G06K9/32
• 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

1.一種基于Faster RCNN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、獲取訓練集圖片數據和測試集圖片數據，并分別將訓練集圖片數據和測試集圖片數據隨機分成各自對應的支持集和詢問集；

S2、利用ResNet網絡提取訓練集圖片數據中詢問集的特征圖，同時利用VGG網絡提取訓練集圖片數據中支持集的特征圖，然后通過ROIPooling模塊提取訓練集圖片數據中支持集的特征圖所對應不同類的原型向量，再將所提取的不同類的原型向量和訓練集圖片數據中詢問集所對應提取的特征圖進行融合處理，最后利用ROIPooling模塊將融合處理后的特征圖調整到固定大小后進行分類和回歸，從而構建出通用目標檢測網絡模型；

S3、構建通用目標檢測網絡模型的目標損失函數；

S4、通過訓練集圖片數據、測試集圖片數據和步驟S3構建的通用目標檢測網絡模型目標損失函數獲取訓練好的少樣本檢測網絡模型；

S5、將待檢測原始圖片輸入到步驟S4中訓練好的少樣本檢測網絡模型中進行檢測，得到待檢測原始圖片的目標類別和位置坐標，從而實現了少樣本目標的檢測。

2.如權利要求1所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述訓練集圖片數據和測試集圖片數據來自于Pascal VOC2007數據。

3.如權利要求2所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述訓練集圖片數據和測試集圖片數據均包括Pascal VOC2007數據中的十類圖片。

4.如權利要求3所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述步驟S2的具體實現方式包括：

S21、通過ResNet網絡的卷積層提取訓練集圖片數據中詢問集圖片的特征圖；

S22、通過VGG網絡的卷積層提取訓練集圖片數據中支持集圖片的特征圖，并利用ROIPooling模塊固定原型向量的長度，進而輸出支持集中每個類的原型向量；

S23、通過類注意模塊將步驟S21中提取的特征圖與步驟S22輸出的原型向量進行通道相乘，得到感興趣類的特征圖以及其他每個類的新特征圖；

S24、將步驟S23中得到的每一個類的新特征圖進行合并，從而獲得一個多維特征向量圖，然后對多維特征向量圖進行1×1的卷積；

S25、將步驟S24中卷積后的多維特征向量圖和步驟S21中提取的特征圖進行相加，得到一個新特征圖；

S26、將步驟S24中卷積后的多維特征向量圖進行RPN區域建議處理，并將RPN區域建議處理后的多維特征向量圖映射到步驟S25中所得到的新特征圖中，然后利用ROI Pooling模塊調整到固定大小后輸入到全連接層進行分類回歸，從而構建出通用目標檢測網絡模型。

5.如權利要求4所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述目標損失函數包括定位損失函數和分類損失函數，定位損失函數包括RPN中的定位損失函數和最終的定位損失函數，分類損失函數包括RPN中的分類損失函數和最終的分類損失函數。

6.如權利要求5所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述定位損失函數可用公式表示為：

式(1)中，Smooth_L1(x)表示定位損失函數，L1表示定位損失函數中的最小絕對值偏差法，x表示損失值。

7.如權利要求6所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述分類損失函數可用公式表示為：

式(2)中，S_j表示分類損失函數輸出向量的第j個值，T表示分類損失函數輸出向量取值范圍，L_loc表示定位損失，y_j的取值為0或1，當分類結果正確時y_j＝1，其余情況y_j＝0。

8.如權利要求7所述的基于Faster RCNN的少樣本目標檢測方法，其特征在于，所述步驟S4的具體實現方式包括：

S41、通過訓練集圖片數據對通用目標檢測網絡模型進行訓練，得到訓練好的通用目標檢測網絡模型；

S42、通過測試集圖片數據對得到的訓練好的通用目標檢測網絡模型中的權重參數進行微調，并利用所構建的通用目標檢測網絡模型目標損失函數微調后的權重參數進行逐層反向調節，從而獲得訓練好的少樣本檢測網絡模型。