[發(fā)明專利]一種基于Faster RCNN的少樣本目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202110657030.X
• 申請日: 2021-06-11
• 公開（公告）號: CN113378936A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計）人: 苑洪亮;肖和龍;鄧建猛;蒲懷建;薛斌;劉逸塵
• 申請（專利權(quán)）人: 長沙軍民先進(jìn)技術(shù)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(hù)航專利代理事務(wù)所(特殊普通合伙) 43220
• 代理人: 莫曉齊

本發(fā)明公開了一種基于Faster RCNN的少樣本目標(biāo)檢測方法，包括：S1、獲取支持集和詢問集圖片數(shù)據(jù)；S2、利用ResNet網(wǎng)絡(luò)和VGG網(wǎng)絡(luò)分別提取訓(xùn)練集圖片數(shù)據(jù)對應(yīng)詢問集和支持集中圖片的特征圖，以及提取對應(yīng)支持集圖片的原型向量，將原型向量和詢問集中圖片的特征圖進(jìn)行融合并固定大小后進(jìn)行分類和回歸；S3、構(gòu)建目標(biāo)損失函數(shù)；S4、獲取訓(xùn)練好的少樣本檢測網(wǎng)絡(luò)模型；S5、將待檢測圖片輸入訓(xùn)練好的少樣本檢測網(wǎng)絡(luò)模型中以得到對應(yīng)的目標(biāo)類別和位置坐標(biāo)，實現(xiàn)了少樣本目標(biāo)的檢測。本發(fā)明利用ResNet網(wǎng)絡(luò)提取高分辨率特征圖，借助類注意模塊突出了目標(biāo)類，同時將多維特征向量圖與原始特征圖相加恢復(fù)了融合處理過程中所丟失的信息，從而能夠?qū)崿F(xiàn)少樣本目標(biāo)的準(zhǔn)確檢測。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)視覺檢測技術(shù)領(lǐng)域，主要涉及深度學(xué)習(xí)目標(biāo)檢測，具體來說就是提出了一種基于Faster RCNN的少樣本目標(biāo)檢測方法，可以用來實現(xiàn)對只有少量樣本的目標(biāo)進(jìn)行分類和定位。

背景技術(shù)

目前，計算機(jī)視覺領(lǐng)域的目標(biāo)檢測任務(wù)在工業(yè)生產(chǎn)及智能監(jiān)控等領(lǐng)域中都得到了廣泛的應(yīng)用。目標(biāo)檢測是從圖像分類基礎(chǔ)上延伸而來的，其主要包括識別圖像中所包含的目標(biāo)，以及標(biāo)定出目標(biāo)的位置。在以前，由于計算機(jī)的處理速度和內(nèi)存的限制，研究人員一般使用傳統(tǒng)非卷積神經(jīng)網(wǎng)絡(luò)的檢測方法來檢測目標(biāo)，但隨著計算機(jī)處理速度和內(nèi)存的急速發(fā)展，使深度學(xué)習(xí)變成了可行方法。并且，基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法在檢測效率以及準(zhǔn)確率上均優(yōu)于傳統(tǒng)的目標(biāo)檢測方法。

基于深度學(xué)習(xí)的目標(biāo)檢測方法主要分為兩種：需要候選框的雙階段目標(biāo)檢測和不需要候選框的單階段目標(biāo)檢測。RCNN(Region CNN，區(qū)域卷積神經(jīng)網(wǎng)絡(luò))、SPPNet(spatialpyramid pooling network，空間金字塔池化網(wǎng)絡(luò))、Fast-RCNN(一種RCNN算法的升級版)及Faster RCNN(一種Fast-RCNN算法的升級版，其實質(zhì)上可以看成是區(qū)域生成網(wǎng)絡(luò)與Fast-RCNN的有效結(jié)合)系列屬于前一種方法，RCNN通過對每一個候選框進(jìn)行卷積進(jìn)而得到各自的特征圖，再根據(jù)所得到的特征圖進(jìn)行分類和定位；SPPNet和Fast-RCNN首先通過對整張圖進(jìn)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(jìn)了RCNN系列；Faster RCNN則是改進(jìn)了候選框的提取方法，使用了一個RPN網(wǎng)絡(luò)來提取候選框，改善了候選框的產(chǎn)生效率。相反，YOLO(You Onl y Look Once，是一種基于深度神經(jīng)網(wǎng)絡(luò)的對象識別和定位算法)屬于后一種方法，它直接使用一個神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類和邊界框預(yù)測。在速度和準(zhǔn)確率上，兩種檢測方法各有優(yōu)勢，通常說來，雙階段目標(biāo)檢測在檢測精度上高于單階段目標(biāo)檢測，而單階段目標(biāo)檢測由于其不需要產(chǎn)生候選框，從而在檢測速度上優(yōu)于雙階段目標(biāo)檢測。

目前，目標(biāo)檢測任務(wù)嚴(yán)重依賴于大量帶有標(biāo)記的數(shù)據(jù)集進(jìn)行訓(xùn)練，但在實際應(yīng)用中，我們發(fā)現(xiàn)有些物體的數(shù)據(jù)本身很少，或者很難去獲取。當(dāng)帶有標(biāo)記的數(shù)據(jù)缺乏時，將產(chǎn)生嚴(yán)重的過擬合和非常差的泛化能力，從而導(dǎo)致檢測精度很低或者根本無法檢測。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于Faster RCNN的少樣本目標(biāo)檢測方法，用于解決當(dāng)樣本數(shù)據(jù)不足時，充分利用已有的少量樣本數(shù)據(jù)去實現(xiàn)對目標(biāo)的檢測。

為解決上述技術(shù)問題，本發(fā)明提供一種基于Faster RCNN的少樣本目標(biāo)檢測方法，所述方法包括以下步驟：

S1、獲取訓(xùn)練集圖片數(shù)據(jù)和測試集圖片數(shù)據(jù)，并分別將訓(xùn)練集圖片數(shù)據(jù)和測試集圖片數(shù)據(jù)隨機(jī)分成各自對應(yīng)的支持集和詢問集；

S2、利用ResNet網(wǎng)絡(luò)提取訓(xùn)練集圖片數(shù)據(jù)中詢問集的特征圖，同時利用VGG網(wǎng)絡(luò)提取訓(xùn)練集圖片數(shù)據(jù)中支持集的特征圖，然后通過ROI Pooling模塊提取訓(xùn)練集圖片數(shù)據(jù)中支持集的特征圖所對應(yīng)不同類的原型向量，再將所提取的不同類的原型向量和訓(xùn)練集圖片數(shù)據(jù)中詢問集所對應(yīng)提取的特征圖進(jìn)行融合處理，最后利用ROI Pooling模塊將融合處理后特征圖調(diào)整到固定大小后進(jìn)行分類和回歸，從而構(gòu)建出通用目標(biāo)檢測網(wǎng)絡(luò)模型；