基于知识引导的小样本目标检测识别方法技术

本发明专利技术提供了一种基于知识引导的小样本目标检测识别方法，通过获取待分类目标的图像训练集；对每张目标图像进行语义层面上的实例分割，作为实景基元，通过预设的残差神经网络进行特征提取得到实景基元的特征向量，并根据特征向量与基元空间的基础基元数量，构建目标图像的特征矩阵；根据基础基元与语义信息的先验知识以及实景基元之间的先验知识，将先验的逻辑知识和语义信息以知识图谱的形式进行推理；本发明专利技术通过关联图像特征与语义基元，构建了知识驱动的知识图谱，有效缓解模型对于数据的依赖，极大地提高了小样本场景下的准确性，可以解决现有技术依赖于大量精准标注的数据，在小样本条件下其性能往往损失明显的问题。在小样本条件下其性能往往损失明显的问题。在小样本条件下其性能往往损失明显的问题。

【技术实现步骤摘要】
基于知识引导的小样本目标检测识别方法


[0001]本专利技术属于图像处理
，具体涉及一种基于知识引导的小样本目标检测识别方法。

技术介绍

[0002]近年来，计算机技术迅速发展，人工智能技术也得到了不断进步，且深度学习模型和大规模的数据集具有强大的表达能力，所以，基于深度学习的目标检测识别技术显示出空前未有的优势，并且取得了令人鼓舞的性能，因此，目标检测技术在生产、生活以及军事中得到了普遍而又有效的运用。但是在实际的应用之中，由于数据的难以获取且需要耗费大量的人力和资源，或者由于某些领域的限制，我们无法获得大量的数据集，所以，弱小目标检测问题在实际应用中更为常见。当前，对于弱小目标识别问题，主要有两种解决的思路：一种是基于数据的调整，即对数据进行增强，扩大数据集，避免过拟合；另一种是对模型进行调整，在已有的模型上，引入有效模块，删减无用模块，利于提取图像信息，提高识别准确率。目前，国内外对弱小目标的识别均是基于以上两个思路进行的。
[0003]现有技术的专利文献“一种基于深度神经网络的弱小目标识别方法”(申请号：CN2017113本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识引导的小样本目标检测识别方法，其特征在于，包括：步骤1：获取待分类的目标图像；步骤2：基于先验知识，预先规划出所有能表示目标图像中目标的高级语义特征的基础基元，从而构成目标整体的基元空间；步骤3：利用所述基元空间中的基础基元指导每张目标图像在语义层面上的实例分割，获得像素在基础基元上对应的超像素块，并将每个超像素块作为该目标图像的实景基元；步骤4：将目标图像的实景基元通过预设的残差神经网络进行特征提取，取出所述残差神经网路输出层的前一层的特征向量，将该特征向量作为实景基元的特征向量，并根据特征向量与基元空间的基础基元数量，构建目标图像的特征矩阵；步骤5：根据基础基元与语义信息的先验知识以及基础基元之间的逻辑关联的先验知识，进行语义与基础基元的逻辑关联图谱建立过程，获得知识图谱；步骤6：利用知识图谱以及每个目标图像的特征矩阵，通过训练好的图卷积网络对该目标图像对应的特征矩阵进行类别的推理预测，获得目标图像的分类结果。2.根据权利要求1所述的一种基于知识引导的小样本目标检测识别方法，其特征在于，步骤3包括：步骤31：利用训练好的SOLO2算法网络，生成S
×
S网格对应的S^2通道的实例掩码；步骤32：利用所述基元空间中的基础基元指导所述实例掩码在语义层面上对目标图像进行实例分割，获得像素在基础基元上对应的超像素块，并将每个超像素块作为该目标图像的实景基元。3.根据权利要求1所述的一种基于知识引导的小样本目标检测识别方法，其特征在于，步骤4包括：步骤41：构建残差神经网络，并对该残差神经网络进行训练获得训练好的残差神经网络；步骤42：利用训练好的残差神经网络对每张目标图像的实景基元进行特征提取，以将实景基元表征为1
×
D的特征向量；步骤43：根据基元空间的基础基元数量N以及特征向量的长度D，初始化全零矩阵；步骤44：将特征向量填充在全零矩阵的对应维度上，得到特征矩阵X
i
。4.根据权利要求1所述的一种基于知识引导的小样本目标检测识别方法，其特征在于，步骤5包括：步骤51：根据基元空间的基础基元与语义信息的先验知识，对基础基元与其语义信息进行映射；步骤52：归纳相同...

【专利技术属性】
技术研发人员：吴金建，章延赫，陈璐，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：