一种少样本目标检测方法、电子设备及计算机介质技术

本发明专利技术提出了一种少样本目标检测方法、电子设备及计算机介质，本发明专利技术以目标检测算法的候选框中的特征作为对比学习的第一对比特征；将少样本训练数据中的实例目标提取的多尺度实例特征作为模型对比学习的第二对比特征；将两种对比特征进行对比学习，进而提升少样本目标检测网络的特征表达能力，削弱遥感影像目标方向和尺度对精度的影响。本发明专利技术的优点是，针对多尺度的对比学习设计了多尺度候选框对比损失函数，用于对比学习自监督训练，消除用于对比学习的两种对比特征之间的尺度差异。对比学习的两种对比特征之间的尺度差异。对比学习的两种对比特征之间的尺度差异。

【技术实现步骤摘要】
一种少样本目标检测方法、电子设备及计算机介质


[0001]本专利技术涉及遥感影像检测领域，具体涉及一种少样本目标检测方法、电子设备及计算机介质。

技术介绍

[0002]随着深度学习的使用，基于卷积神经网络的信息挖掘能力和特征表达能力变得更强，遥感影像目标检测算法能获得高性能的检测效果。但是，随着训练样本数量的降低，深度卷积神经网络很难通过较少的训练数据(少样本)挖掘出整个大型数据集的特征分布。无论是遥感影像还是自然场景图像，在现实中都会存在着新的类别，且它们可能只有少量的可用数据。许多研究针对该挑战提出了少样本目标检测算法。它们可以大致分为三种类型：
①
基于微调；
②
基于度量学习；
③
基于模型改进的方法。
[0003]现有技术中，基于微调的方法能够提升模型在少量样本下的检测能力，但因微调模型部分参数更容易过拟合；基于度量学习的方法取决于构建度量空间的样本是否具有代表性，训练的结果中存在一定的偶然性。其次，基于模型改进的方法通过改进网络结构，以适应少样本学习的任务。这些方法都能一定程度本文档来自技高网...

【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，步骤如下：步骤S1：遥感影像类别划分，具体是，将遥感影像所包含的类别模拟划分成基本类别和小样本类别；步骤S2：训练基本网络，具体是，在步骤S1中划分的基本类别所包含的样本上训练一个基本网络，用于作为小样本模型训练的初始化参数；步骤S3：获取对比特征，具体是，基于步骤S2的基本网络中构建上分支，小样本类别的训练图片经过上分支的编码过程得到遥感影像中被候选框框中的特征，即第一对比特征；基于步骤S2的基本网络构建下分支，所述下分支包括多尺度实例目标特征重采样网络，将小样本类别的训练图片中标注的目标经过裁剪、旋转和增强后，通过下分支的编码过程得到多尺度实例特征，即第二对比特征；步骤S4：计算对比损失及构建少样本目标检测网络，具体是，根据第一对比特征以及第二对比特征通过多尺度候选框对比损失函数进行对比学习同时计算对比损失，以及根据步骤S2的基本网络以及步骤S4的对比损失构建少样本目标检测网络进行网络的训练；步骤S5：少样本目标检测，具体是，通过所述少样本目标检测网络对待检测遥感影像进行少样本目标检测。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，在步骤S2中，基本网络为Faster RCNN网络，模型训练的损失函数为：其中，表示二元交叉熵损失；表示交叉熵损失；代表边界框回归损失，具体为Smooth L1损失函数。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，在步骤S3中，所述上分支包括Resnet101、FPN、RPN、RoIAlign、Box Head和MLP；其中，Resnet101：快速训练残差网络，用于提取遥感影像的特征和训练图片的实例目标的特征；FPN：特征金字塔网络，用于提取训练图片的多尺度特征和训练影像的实例目标的多尺度特征；RPN：区域候选网络，用于目标检测网络生成影像的候选框区域；RoIAlign：边界回归网络，用于将候选框与对应尺度的特征图进行映射，得到候选框区域的候选框特征；Box Head：线性回归网络，用于将二维的候选框特征线性化得到线性特征；MLP：多层感知机，用于得到多尺度实例目标和候选框区域的归一化特征，即对比特征。4...

【专利技术属性】
技术研发人员：陈杰，秦登达，刘方亮，赵杰，东野升效，朱晶茹，郭亚，孙庚，
申请(专利权)人：山东卓智软件股份有限公司，
类型：发明
国别省市：