[發明專利]一種時序物種進化的小樣本目標檢測裝置及方法

在審

• 申請號: 202111326861.5
• 申請日: 2021-11-10
• 公開（公告）號: CN114049371A
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 劉祥龍;趙曉薇;馬宇晴;喬藝
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/187
• 分類號: G06T7/187;G06V20/58;G06V10/764;G06K9/62
• 代理公司: 北京汲智翼成知識產權代理事務所(普通合伙) 11381
• 代理人: 劉娟;陳曦

本發明公開了一種時序物種進化的小樣本目標檢測裝置和方法。該裝置包括：突變模塊，用于針對小樣本中基礎樣本和新樣本，分別生成基礎候選區域和新候選區域后進行合并，得到合并候選區域；檢測器，用于根據合并候選區域，識別小樣本中基礎樣本和新樣本。本發明解決了檢測樣本中基礎類別的信息和知識繼承性差，缺乏對新類別的非特異性變化的問題，并且產生足夠的高質量正樣本候選區域，有效優化了小樣本目標檢測裝置的檢測性能。

技術領域

本發明涉及一種時序物種進化的小樣本目標檢測裝置，同時涉及相應的小樣本目標檢測方法，屬于計算機視覺技術領域。

背景技術

在過去的幾十年里，深度學習的成功促進了傳統目標檢測問題的突破。然而,深度學習方法大多依賴于大量的標注數據。當標記數據稀缺時，這些模型可能會出現嚴重過擬合問題而展現出較差的泛化能力。

實際場景中，標記數據非常昂貴，而且一些類別的樣本甚至難以收集。為了解決這一問題，小樣本目標檢測已成為研究的前沿問題。在小樣本學習問題中，模型基于具有豐富實例的基礎類別的知識，使用極少量的新類別圖像作為支持來進行訓練，可以解決新的任務。但是，小樣本學習的研究進展主要集中在圖像分類和識別任務上，而挑戰性更大的小樣本目標檢測任務的性能還遠遠不能令人滿意。

在現有技術中，小樣本目標檢測任務所面臨的主要問題是因新類別訓練樣本少而容易出現過擬合現象，重要原因之一是現有的小樣本目標檢測技術中，新類別訓練樣本對基礎類別的信息和知識繼承性差，而且缺乏對新類別的特異性變化，從而導致小樣本目標檢測技術無法產生足夠的高質量的正樣本候選區域。

發明內容

本發明所要解決的首要技術問題在于提供一種時序物種進化的小樣本目標檢測裝置。

本發明所要解決的另一技術問題在于提供一種時序物種進化的小樣本目標檢測方法。

為實現上述發明目的，本發明采用下述的技術方案：

根據本發明實施例的第一方面，提供一種時序物種進化的小樣本目標檢測裝置，包括：

突變模塊，用于針對小樣本中基礎樣本和新樣本，分別生成基礎候選區域和新候選區域后進行合并，得到合并候選區域；

檢測器，用于根據合并候選區域，識別小樣本中基礎樣本和新樣本。

其中較優地，所述小樣本目標檢測裝置還包括：

重組模塊，用于將基礎樣本和新樣本的分布進行重組，生成實例化個體；

所述實例化個體作為新增的新樣本輸入至所述檢測器進行訓練。

其中較優地，所述突變模塊包括：

傳統區域生成網絡，用于輸出候選框集合構成基礎候選區域；

突變區域生成網絡，用于輸出候選框集合構成新候選區域；

合并子模塊，用于在基礎候選區域和新候選區域中挑選屬于基礎樣本或新樣本的置信度高于預設閾值的候選框，構成合并候選區域。

其中較優地，所述傳統區域生成網絡和突變區域生成網絡并行設置；

所述突變區域生成網絡的初始參數根據傳統區域生成網絡的參數訓練得到。

其中較優地，所述重組模塊包括：

選擇子模塊，用于通過新樣本與基礎樣本分布的相似度，選擇每種新樣本分布的最優相似基礎樣本分布，構成相似集合；

更新子模塊，用于根據相似集合中基礎樣本的分布特征信息更新對應新樣本的分布特征信息，得到對應新樣本的抽象類別信息；

生成子模塊，用于根據各新樣本的抽象類別信息，實例化不同個體。