少样本目标检测方法、装置和电子设备制造方法及图纸

本发明专利技术提供一种少样本目标检测方法、装置和电子设备；涉及机器视觉技术领域。该方法包括：采用包括基础类别的第一样本数据训练得到第一模型，第一模型包括支持分支、查询分支，第一模型的支持分支用于提取基础类别的类别特征；采用包括新类别的第二样本数据对第一模型进行微调，得到第二模型，第二模型的支持分支用于提取基础类别和新类别的类别特征，第二样本的数量远小于第一样本的数量；将待检测样本输入第二模型的查询分支，提取待检测样本的第一特征；将第一特征与第二模型的类别特征进行特征重加权处理，得到处理后的第二特征，利用第二特征确定待检测样本的检测结果。本发明专利技术能够提高少样本检测器的性能。够提高少样本检测器的性能。够提高少样本检测器的性能。

【技术实现步骤摘要】
少样本目标检测方法、装置和电子设备


[0001]本专利技术涉及机器视觉
，尤其涉及一种少样本目标检测方法、装置和电子设备。

技术介绍

[0002]近年来，基于深度学习的目标检测方法获得了极大的发展。训练深度学习模型需要大量的标注数据，并且标准数据集的类别与真实世界相比较少，因此在标准数据集上训练好的检测模型很难直接应用于真实场景。
[0003]少样本目标检测（Few
‑
Shot Object Detection，FSOD）是使用极少量的样本训练模型，使模型能够进行目标检测的方法。数据量充足的数据称为源域，实例标注稀缺的数据称为目标域。少样本目标检测方法极大地减轻了目标域标注工作的负担。

技术实现思路

[0004]本专利技术提供一种少样本目标检测方法、装置和电子设备，用以解决现有技术中样本标注困难的问题，提高模型训练的效率。
[0005]本专利技术提供一种少样本目标检测方法，包括：采用包括基础类别的第一样本数据训练得到第一模型，所述第一模型包括支持分支、查询分支，所述第一模型的支持分支用于提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种少样本目标检测方法，其特征在于，包括：采用包括基础类别的第一样本数据训练得到第一模型，所述第一模型包括支持分支、查询分支，所述第一模型的支持分支用于提取所述基础类别的类别特征；采用包括新类别的第二样本数据对所述第一模型进行微调，得到第二模型，所述第二模型的支持分支用于提取所述基础类别和所述新类别的类别特征，第二样本的数量远小于所述第一样本的数量；将待检测样本输入所述第二模型的查询分支，提取待检测样本的第一特征；将所述第一特征与所述第二模型的所述类别特征进行特征重加权处理，得到处理后的第二特征，利用所述第二特征确定所述待检测样本的检测结果。2.根据权利要求1所述的少样本目标检测方法，其特征在于，所述将所述第一特征与所述第二模型的所述类别特征进行特征重加权处理，得到处理后的第二特征，包括：将所述第二模型的所述类别特征作为卷积核，对所述第一特征进行卷积运算，得到第二特征，所述第二特征与所述第一特征的大小一致。3.根据权利要求2所述的少样本目标检测方法，其特征在于，所述将所述第二模型的所述类别特征作为卷积核，对所述第一特征进行卷积运算，得到第二特征，包括：将所述第二模型的所述类别特征作为第一卷积核对所述第一特征进行卷积运算，得到第一融合特征；将所述类别特征的第一个维度与第二个维度进行转置，将转置后的类别特征作为第二卷积核，采用第二卷积核对所述第一融合特征再次进行卷积运算；将卷积运算的结果与所述第一特征相加，得到第二特征；其中，所述类别特征的所述第一个维度为类别数，所述第二个维度为通道数。4.根据权利要求1所述的少样本目标检测方法，其特征在于，所述查询分支包括检测层；所述利用所述第二特征确定所述待检测样本的检测结果，包括：将所述第二特征输入所述检测层，获得所述待检测样本的目标类别，以及对应的目标边界框。5.根据权利要求1所述的少样本目标检测方法，其特征在于，所述查询分支还包括特征重加权网络，采用包括基础类别的第一样本数据训练得到第一模型，...

【专利技术属性】
技术研发人员：朱贵波，李宗树，葛国敬，赵旭，王金桥，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：