【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...
【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。