【技术实现步骤摘要】
一种基于小样本目标检测方法及装置
[0001]本专利技术涉及深度学习领域，尤其涉及一种小样本目标检测方法。
技术介绍
[0002]近年来，深度卷积神经网络(Deep Convolutional Neural Networks)的发展极大促进了计算机视觉(Computer Vision)领域相关算法的进步。目标检测(Object Detection)作为计算机视觉领域的研究分支之一，其主要任务是对图像中的目标进行分类和定位。通用目标检测主要分为两大主流分支：两阶段检测网络和单阶段检测网络。二者都需在大量标注数据集上进行预训练，所以导致覆盖场景单一，当迁移至标注数据匮乏的场景时，易造成检测精度下降。
[0003]相关技术中，小样本学习(Few
‑
shot Learning)开始逐渐受到学术界和工业界关注。小样本学习旨在通过少量标注数据，挖掘样本潜在特征，继而通过少量数据拟合出鲁棒的特征空间，完成相关视觉感知任务。小样本目标检测(Few
‑
Shot Object Detection)作为...
【技术保护点】
【技术特征摘要】
1.一种小样本目标检测方法，其特征在于，包括以下步骤：向检测网络发送骨干网络的权重以及所述特征金字塔的权重，所述骨干网络的权重以及所述特征金字塔的权重来源于自监督训练产生的视觉表征骨干网络；生成候选区域，所述候选区域来自于区域建议网络对所述视觉表征骨干网络输出特征的前后景分类与回归结果；根据所述候选区域，借助池化算子生成统一尺寸的候选区域特征，并进行所述统一尺寸的候选区域特征的位置回归，内容分类以及细粒度特征挖掘；利用所述细粒度特征挖掘，构建细粒度的正样本对以及负样本对，形成对候选区域细粒度特征间的对比学习，所述细粒度特征挖掘包括：使用均分的方式对所述统一尺寸的候选区域特征进去区域划分，提取划分后的不同区域的特征，并根据来自同一候选区域的划分结果分配相同标签，来自不同候选区域的划分结果分配不同标签的策略；按照所述细粒度特征挖掘中的策略形成损失函数，通过所述损失函数的计算进行检测网络参数的更新。2.如权利要求1所述的方法，其特征在于，所述自监督训练产生的视觉表征骨干网络，包括：获取无标注的原始图像数据，所述原始图像数据来源于图像采集设备的输出结果；分别对所述原始图像数据进行不同的数据增强，得到对应的多个视图的图像数据；将所述多个视图的图像数据中每个视图的图像数据分别输入至多个骨干网络进行不同粒度特征间的对比学习，并根据全局特征与局部特征的对比学习生成视觉表征骨干网络。3.如权利要求2所述的方法，其特征在于，将所述多个视图的图像数据中每个视图的图像数据分别输入至多个骨干网络进行不同粒度特征间的对比学习，并根据全局特征与局部特征的对比学习生成视觉表征骨干网络，包括：构造无监督数据伪标签，将所述无标注的原始图像数据经过不同的数据增强生成相应的视图，分别输入多个骨干网络，来源于相同所述无标注的原始图像数据的视图经过所述多个骨干网络的特征提取，分配相同的伪标签，来源于不同所述无标注数据的视图经过所述多个骨干网络的特征提取，分配不同的伪标签；预训练细粒度特征，所述预训练细粒度特征，包括：所述无监督数据伪标签在特征金字塔的不同层级呈现不同的特征粒度，通过池化形成统一输出；生成视觉表征骨干网络，所述生成视觉表征骨干网络，包括：联合全局特征与局部特征的对比学习，使用所述对比学习的损失函数进行模型参数更新，最终生成具有不同尺度物体表征能力的骨干网络。4.如权利要求2或3所述的方法，其特征在于，所述多个骨干网络包括：第一骨干网，所述第一骨干网用于反向传播进行参数更新；第二骨干网，所述第二骨干网用于剔除所有参数的梯度通过动量更新进行参数更新。5.如权利要求1或3所述的方法，其特征在于，所述损失函数包括：损失函数采用InfoNCE，总体损失来...
【专利技术属性】
技术研发人员：欧中洪，杨峻伟，康霄阳，范家伟，于勰，宋美娜，
申请(专利权)人：北京邮电大学，
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。