一种采样无关的全度量小样本目标检测方法技术

本发明专利技术属于人工智能技术领域，具体涉及一种采样无关的全度量小样本目标检测方法，包括：构建全度量样本检测模型，并微调全度量样本检测模型；采样小样本数据，对小样本数据集进行组织划分，得到类支持集和查询集，并对类支持集中的类支持样本进行预处理；将小样本数据输入到微调后的全度量样本检测模型，进行目标检测并获得检测结果。本发明专利技术通过使用跨尺度语义匹配减少由于和尺度差异而导致匹配次优结果；通过构造一组正常和损坏图片对，采用自监督学习策略约束网络使编码器可利用上下文构建出更为鲁棒原型；为原型向量增设了空间位置信息来引导模型更为准确捕获到目标。置信息来引导模型更为准确捕获到目标。置信息来引导模型更为准确捕获到目标。

【技术实现步骤摘要】
一种采样无关的全度量小样本目标检测方法


[0001]本专利技术属于人工智能
，具体涉及一种采样无关的全度量小样本目标检测方法。

技术介绍

[0002]得益于算力和大数据的不断发展，基于大样本深度学习方案取得了巨大的进步，在某些领域(如分类)已达到近似人类水平。由于隐私安全、数据长尾分布、人工成本等问题，在不少情形下收集一个大样本数据集是不太现实的，而小样本会导致常规深度学习方案易陷入过拟合。
[0003]近些年来，小样本目标检测受到了人们广泛的关注，其目的在于仅从少量含标注样本上高效学习到一个近似大样本学习下模型。受启发于人类可借助历史经验来快速学习，国内外研究人员会额外使用了一个不包含小样本类别标注数据集来预训练模型，给模型提供一个通用知识/经验以便在后续小样本学习任务中更加高效学习。为获取一个较好知识，目前常规方案有基于度量学习算法，基于迁移学习算法和基于数据增强算法。较于其它方案，基于度量学习方案先将额外数据集构造成一组小样本任务来学习通用知识即类别原型和特征图联系，再将模型放在目标小样本任务上进行微调即可。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采样无关的全度量小样本目标检测方法，其特征在于，包括以下步骤：S1：构建全度量样本检测模型，并微调全度量样本检测模型；所述全度量样本检测模型包括：特征偏移矫正模块、全度量模块、多尺度匹配模块、区域提案网络模块、残差块；S2：采样小样本数据，对小样本数据进行组织划分，得到类支持集S
i
和查询集Q
i
，并通过特征偏移矫正模块对类支持集S
i
中的类支持样本进行预处理；S3：对预处理后的类支持样本和查询集Q
i
中的查询样本进行特征提取，得到类原型向量和查询图像特征图S4：将类原型向量输入全度量模块，通过空间注意力机制进行空间位置关系编码，得到增强型原型向量S5：将增强型原型向量和查询图像特征图输入多尺度匹配模块中，进行多尺度特征匹配，得到在尺度上精确匹配的语义特征X
ext
；S6：将语义特征X
ext
输入区域提案网络模块，生成候选框；S7：利用候选框从查询图像特征图中提取候选目标特征；S8：利用残差块将类原型向量映射到目标特征空间，得到类原型向量对S9：将每一对类原型向量和候选目标特征进行匹配，获取最终检测结果。2.根据权利要求1所述的一种采样无关的全度量小样本目标检测方法，其特征在于，通过损失函数微调全度量样本检测模型，损失函数表达式为：其中，表示采用Faster RCNN框架分类和定位的损失；表示类原型样本I与重构样本I
pred
的均方误差。3.根据权利要求1所述的一种采样无关的全度量小样本目标检测方法，其特征在于，对小样本数据进行组织划分，具体包括：根据获取到的小样本数据，将小样本数据中含有标注信息的图片划分为类支持集S
i
，将没有标注信息的图片划分为查询集Q
i
。4.根据权利要求1所述的一种采样无关的全度量小样本目标检测方法，其特征在于，通过特征偏移矫正模块对类支持集S
i
进行预处理，所述特征偏移矫正模块包括数据增广器、特征编码器、解码器：将类原型样本I输入数据增广器中，随机掩码类原型样本一部分区域特征形成噪声样本I
′
，通过特征编码器对噪声样本I
′
进行特征编码，采...

【专利技术属性】
技术研发人员：冷佳旭，陈泰岳，高新波，王烨，张颜，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：