【技术实现步骤摘要】
基于支持与查询样本的小样本目标检测方法与系统
本专利技术涉及机器学习
，尤其是涉及基于支持与查询样本的小样本目标检测方法与系统。
技术介绍
目标检测技术是计算机视觉任务中一个基础的任务，该任务旨在从图像中定位并分类出目标类别物体。目标检测技术的应用范围广泛，它为一些下游任务，例如实例分割，场景理解，姿态估计等任务，提供了基础的支持。已有深度目标检测模型在一些类别上取得了较好的准确率，但严重依赖于在大规模带标定数据集。然而在现实场景中，却面临着数据样本分布不均衡、以及样本无监督等问题，因此如何在样本量不足的情况下，进行有效的目标检测，成为了计算机视觉领域的开放式问题。小样本学习为解决这一类问题提供了一套系统的框架，即利用大量的基类（可见类）数据进行训练，即可在拥有少量数据的新类（未见类）上面进行预测。类似于小样本图像分类，小样本目标检测也将检测过程建模为一个个的轮次（episode），在每个轮次中，提供K张某个类别的支持样本的照片以及对应的标定框，要求在另一张不同的查询照片中定位出所有该类别的物体的位置，该设置被称为K-...
【技术保护点】
1.基于支持与查询样本的小样本目标检测方法，其特征在于包括如下步骤：/nS1，采样图像数据，在包含c类别的标定框的图像中，采样一组支持样本S和一张查询样本Q；/nS2，支持样本和查询样本特征提取，分别得到支持样本、查询样本中，c类别标定框对应区域的特征，作为支持样本区域特征
【技术特征摘要】
1.基于支持与查询样本的小样本目标检测方法，其特征在于包括如下步骤：
S1，采样图像数据，在包含c类别的标定框的图像中，采样一组支持样本S和一张查询样本Q；
S2，支持样本和查询样本特征提取，分别得到支持样本、查询样本中，c类别标定框对应区域的特征，作为支持样本区域特征和查询样本区域特征；
S3，基于查询样本引导的支持样本加权，通过度量每个支持样本区域特征对于查询样本区域特征的贡献度，构建权重，对每个支持样本区域特征进行加权求和，得到加权后的支持样本区域特征；
S4，支持样本引导的查询样本特征增强，根据加权后的支持样本区域特征，对查询样本特征进行增强，并通过增强后的查询样本特征，生成与类别c相关的候选框，并进行微调；
S5，候选框的打分与筛选，通过度量加权后的支持样本区域特征和候选框特征的相似度，进行打分，通过分数阈值，筛选候选框；
S6，将筛选后的候选框与真实标定框，通过整体损失函数进行比较，使得候选框与真
实标定框更接近，从而训练模型；
其中，表示生成候选框的分类损失函数，表示生成候选框的回归损失
函数，表示微调候选框的损失函数，λ1表示超参数，用于平衡不同的损失函数；
然后，向训练好的模型中输入查询样本，根据支持样本，得到查询样本中的目标的位置及类别。
2.根据权利要求1所述的基于支持与查询样本的小样本目标检测方法，其特征在于所述S2中的特征提取如下：
其中，RA是区域特征聚集操作，表示第i层的支持样本特征，表示支持样本中
c类别物体的标定框，表示支持样本中c类别标定框对应区域的特征；表示第i
层的查询样本特征，表示查询样本中c类别物体的标定框，表示查询样本中c类
别标定框对应区域的特征。
3.根据权利要求1所述的基于支持与查询样本的小样本目标检测方法，其特征在于所述S3中权重计算如下：
其中，表示度量器，为卷积操作，在i层特征下，对于k个不同的支持样
本，构成支持样本区域特征集合，不同的支持样本的权重，构成支持样本权
重集合，支持样本区域特征集合根据支持样本权重集合
，进行加权求和，生成加权后的支持样本区域特征。
4.根据权利要求3所述的基于支持与查询样本的小样本目标检测方法，其特征在于所述卷积操作能够进一步提取语义信息，并将查询样本区域特征压缩到与候选框特征同一个语义空间。
5.根据权利要求1所述的基于支持与查询样本的小样本目标检测方法，其特征在于所述S4包括如下步骤：
S41，根据加权后的支持样本区域特征生成对应的动态卷积核：
其中，为生成的动态卷积核，表示动态卷积核生成器，i为层次下标，每层都独立进行；
使用生成的动态卷积核对查询样本特征进行增强：
其中，为卷积操作，表示增强后的查询样本特征；
S42，候选框生成，通过增强后的查询样本特征，生成与类别c相关的候选框。
6.根据权...
【专利技术属性】
技术研发人员：周水庚，张路，张吉，
申请(专利权)人：之江实验室，复旦大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。