本发明专利技术公开了一种时序物种进化的小样本目标检测装置和方法。该装置包括：突变模块，用于针对小样本中基础样本和新样本，分别生成基础候选区域和新候选区域后进行合并，得到合并候选区域；检测器，用于根据合并候选区域，识别小样本中基础样本和新样本。本发明专利技术解决了检测样本中基础类别的信息和知识继承性差，缺乏对新类别的非特异性变化的问题，并且产生足够的高质量正样本候选区域，有效优化了小样本目标检测装置的检测性能。检测装置的检测性能。检测装置的检测性能。
【技术实现步骤摘要】
一种时序物种进化的小样本目标检测装置及方法
[0001]本专利技术涉及一种时序物种进化的小样本目标检测装置，同时涉及相应的小样本目标检测方法，属于计算机视觉
技术介绍
[0002]在过去的几十年里，深度学习的成功促进了传统目标检测问题的突破。然而,深度学习方法大多依赖于大量的标注数据。当标记数据稀缺时，这些模型可能会出现严重过拟合问题而展现出较差的泛化能力。
[0003]实际场景中，标记数据非常昂贵，而且一些类别的样本甚至难以收集。为了解决这一问题，小样本目标检测已成为研究的前沿问题。在小样本学习问题中，模型基于具有丰富实例的基础类别的知识，使用极少量的新类别图像作为支持来进行训练，可以解决新的任务。但是，小样本学习的研究进展主要集中在图像分类和识别任务上，而挑战性更大的小样本目标检测任务的性能还远远不能令人满意。
[0004]在现有技术中，小样本目标检测任务所面临的主要问题是因新类别训练样本少而容易出现过拟合现象，重要原因之一是现有的小样本目标检测技术中，新类别训练样本对基础类别的信息和知识继承性差，而且缺乏对新类别的特异性变化，从而导致小样本目标检测技术无法产生足够的高质量的正样本候选区域。
技术实现思路
[0005]本专利技术所要解决的首要技术问题在于提供一种时序物种进化的小样本目标检测装置。
[0006]本专利技术所要解决的另一技术问题在于提供一种时序物种进化的小样本目标检测方法。
[0007]为实现上述专利技术目的，本专利技术采用下述的技术方案：r/>[0008]根据本专利技术实施例的第一方面，提供一种时序物种进化的小样本目标检测装置，包括：
[0009]突变模块，用于针对小样本中基础样本和新样本，分别生成基础候选区域和新候选区域后进行合并，得到合并候选区域；
[0010]检测器，用于根据合并候选区域，识别小样本中基础样本和新样本。
[0011]其中较优地，所述小样本目标检测装置还包括：
[0012]重组模块，用于将基础样本和新样本的分布进行重组，生成实例化个体；
[0013]所述实例化个体作为新增的新样本输入至所述检测器进行训练。
[0014]其中较优地，所述突变模块包括：
[0015]传统区域生成网络，用于输出候选框集合构成基础候选区域；
[0016]突变区域生成网络，用于输出候选框集合构成新候选区域；
[0017]合并子模块，用于在基础候选区域和新候选区域中挑选属于基础样本或新样本的
置信度高于预设阈值的候选框，构成合并候选区域。
[0018]其中较优地，所述传统区域生成网络和突变区域生成网络并行设置；
[0019]所述突变区域生成网络的初始参数根据传统区域生成网络的参数训练得到。
[0020]其中较优地，所述重组模块包括：
[0021]选择子模块，用于通过新样本与基础样本分布的相似度，选择每种新样本分布的最优相似基础样本分布，构成相似集合；
[0022]更新子模块，用于根据相似集合中基础样本的分布特征信息更新对应新样本的分布特征信息，得到对应新样本的抽象类别信息；
[0023]生成子模块，用于根据各新样本的抽象类别信息，实例化不同个体。
[0024]其中较优地，在所述小样本目标检测装置训练时，所述传统区域生成网络通过基础样本充分训练后，得到传统区域生成网络的固定网络参数；
[0025]当所述突变区域生成网络通过新样本进行训练时，所述突变区域生成网络的初始化网络参数等于传统区域生成网络的固定网络参数。
[0026]其中较优地，所述选择子模块，用于通过Wasserstein距离来度量新样本分布与基础样本分布的相似度；并根据贪心算法和新样本分布与基础样本分布的相似度，选择每个新样本分布的最优相似基础样本分布，构成相似集合。
[0027]其中较优地，所述基础样本的分布特征信息，包括基础样本的分布特征的均值和协方差；
[0028]所述新样本的分布特征信息，包括新样本的分布特征的均值和协方差；
[0029]所述新样本的抽象类别信息，包括抽象类别的分布特征的均值和协方差。
[0030]其中较优地，所述生成子模块，具体用于根据新样本的抽象类别信息，得到抽象类别的高斯分布；
[0031]根据所述高斯分布，采样生成抽象类别的实例化的不同个体。
[0032]根据本专利技术实施例的第二方面，提供一种时序物种进化的小样本目标检测方法，包括如下步骤：
[0033]突变模块针对小样本中基础样本和新样本，分别生成基础候选区域和新候选区域后进行合并，得到合并候选区域；
[0034]检测器根据合并候选区域，识别小样本中基础样本和新样本。
[0035]在本专利技术中，突变模块融合了基础样本和新样本得到合并候选区域后，重组模块将基础样本的信息融合到新样本中，解决了检测样本中基础类别的信息和知识继承性差，缺乏对新类别的非特异性变化的问题，并且产生足够的高质量正样本候选区域，有效优化了小样本目标检测装置的检测性能。
附图说明
[0036]图1为本专利技术实施例中，小样本目标检测装置的结构示意图；
[0037]图2为本专利技术实施例中，新类别训练和测试样本的对比示意图；
[0038]图3为本专利技术实施例中，小样本目标检测方法的流程图；
[0039]图4为本专利技术实施例中，小样本目标检测系统的结构示意图。
具体实施方式
[0040]下面结合附图和具体实施例对本专利技术的
技术实现思路
进行详细具体的说明。
[0041]目标检测的主要任务是对图像中的目标进行分类和定位。现有的小样本目标检测技术基于大量的标注的图像进行训练，限制了某些场景下的应用和推广。例如，工业生产中缺陷样本一般难以收集，很难构建大规模的数据集；在自动驾驶应用中，只有少量雾天暴雨等极劣天气环境下的汽车样本，难以实现普通场景下的汽车目标检测；在大部分医疗应用中，获取高质量的医疗数据、以及高质量的标注是相当困难的。在这些只有少量样本作为新类别训练集的场景下，为了使包含大量标注的基础类别和包含少量标注的新类别都达到一定的检测精度，需要利用改进的小样本目标检测技术进行目标检测。
[0042]如图1所示，本专利技术实施例提供的小样本目标检测装置，至少包括：
[0043]突变模块S2，用于针对小样本中基础样本和新样本，分别生成基础候选区域和新候选区域后进行合并，得到合并候选区域；
[0044]检测器O，用于根据合并候选区域，识别小样本中基础样本和新样本。
[0045]在本专利技术实施例中，突变模块S2融合基础样本和新样本，生成了合并候选区域。所述检测器O可检测出基础类别，也可以检测出新类别。本专利技术提供的小样本目标检测装置解决了检测样本中基础类别的信息和知识继承性差，而且缺乏对新类别的非特异性变化的问题，从而产生足够的高质量正样本候选区域，优化了小样本目标检测装置的检测性能。
[0046]如图1和2所示，在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种时序物种进化的小样本目标检测装置，其特征在于包括：突变模块，用于针对小样本中基础样本和新样本，分别生成基础候选区域和新候选区域后进行合并，得到合并候选区域；检测器，用于根据合并候选区域，识别小样本中基础样本和新样本。2.如权利要求1所述的小样本目标检测装置，其特征在于还包括：重组模块，用于将基础样本和新样本的分布进行重组，生成实例化个体；所述实例化个体作为新增的新样本输入至所述检测器进行训练。3.如权利要求1所述的小样本目标检测装置，其特征在于所述突变模块包括：传统区域生成网络，用于输出候选框集合构成基础候选区域；突变区域生成网络，用于输出候选框集合构成新候选区域；合并子模块，用于在基础候选区域和新候选区域中挑选属于基础样本或新样本的置信度高于预设阈值的候选框，构成合并候选区域。4.如权利要求3所述的小样本目标检测装置，其特征在于：所述传统区域生成网络和突变区域生成网络并行设置；所述突变区域生成网络的参数根据传统区域生成网络的参数训练得到。5.如权利要求2所述的小样本目标检测装置，其特征在于所述重组模块，包括：选择子模块，用于通过新样本与基础样本分布的相似度，选择每种新样本分布的最优相似基础样本分布，构成相似集合；更新子模块，用于根据相似集合中基础样本的分布特征信息更新对应新样本的分布特征信息，得到对应新样本的抽象类别信息；生成子模块，用于根据各新样本的抽象类别信息，实例化不同个体。6.如权利要求4所述的...
【专利技术属性】
技术研发人员：刘祥龙，赵晓薇，马宇晴，乔艺，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。