基于对比聚类和模板匹配的小样本目标检测方法及模型技术

基于对比聚类和模板匹配的小样本目标检测方法，包括如下步骤：步骤1.收集大样本类图像，输入类原型向量对比聚类检测模型进行训练；步骤2.收集小样本类图像输入步骤1训练后得到的大样本初始模型，得到小样本类原型向量组；步骤3.将待识别图像输入步骤2得到的大样本初始模型，输出多个待识别图像目标框；设置置信度阈值，进行筛选；步骤4.未通过目标框进行识别结果筛选；步骤5.将步骤3中得到的可信的识别结果和步骤4得到的未通过目标框的识别结果合并，作为待识别图像的识别结果。本发明专利技术可以实现对于大样本类别目标的高维特征空间映射，有利于增加大样本类的类间距离，缩小其类内距离，增强目标识别精度。增强目标识别精度。增强目标识别精度。

【技术实现步骤摘要】
基于对比聚类和模板匹配的小样本目标检测方法及模型


[0001]本专利技术属于软件领域，涉及图像识别技术,具体涉及一种基于对比聚类和模板匹配的小样本目标检测方法及模型。

技术介绍

[0002]目标识别则是自动驾驶、自主导航等应用的必要目标感知手段之一，依赖于精确的目标识别技术，可以为目标跟踪提供良好的初始跟踪模板，减少模板制备的需求。同时对于复杂干扰环境，目标识别可以实现对于目标的有效重捕，有效提升跟踪的精度，满足自动驾驶、自主导航等应用的要求。
[0003]传统的目标识别方法通常基于人为手动设计的特征采用滑窗法对滑窗中的目标特征进行分类，从而识别目标。由于目标多变的尺度以及日趋复杂的目标特征分布，导致传统的目标识别方法识别准确率相对比较低，难以满足准确识别目标的要求。随着基于深度学习的目标检测方法的发展，智能目标识别正成为自动驾驶、自主导航等应用实现目标智能识别的必要途径，智能目标识别通过多层卷积神经网络可以自动提取复杂情况下的目标显著特征，并预测目标的位置和分类来实现对于目标的准确识别。
[0004]在实际中，应用场景复杂多变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对比聚类和模板匹配的小样本目标检测方法，其特征在于,包括如下步骤：步骤1.收集大样本类图像，输入Faster
‑
RCNN架构的类原型向量对比聚类检测模型进行训练；所述Faster
‑
RCNN架构的类原型向量对比聚类模型包括依次连接的基础模块、FPN模块、二分类预测模块、ROI池化模块，还包括与ROI池化模块连接的对比聚类模块；所述对比聚类模块实现的具体功能为：将大样本类图像分类存储在向量组中，每次训练过程中在训练损失中加入对比损失，经过设定的迭代次数后得到大样本初始模型及大样本类原型向量；所述对比损失的公式如下：对比损失对比损失其中N为每次训练的特征向量的总数，z
i
·
z
j
为不同类别特征间的余弦距离，τ为温度系数；步骤2.收集待识别图像的小样本类图像输入步骤1训练后得到的大样本初始模型，通过ROI池化模块和对比聚类模块进行推理得到小样本类原型向量组；步骤3.将待识别图像输入步骤1得到的检测用模型，输出多个待识别图像目标框，每个目标框对应有一个待识别目标向量、置信度及目标位置，剔除置信度低的目标框，其具体过程如下：S31.待识别图像输入步骤2得到的检测用模型，输出多个待识别图像目标框，及各个目标框对应的待识别目标向量、置信度及目标位置；S32.设置第一置信度阈值conf1,对于置信度高于第一置信度阈值conf1的待识别图像目标框，设置目标框的第一重叠度阈值IOU1，采用非极大值抑制过滤掉重叠度高于重叠度阈值IOU1的目标框,进入步骤S33；对于置信度不高于第一置信度阈值conf1的待识别图像目标框，进入步骤S35；S33.按照置信度高低对置信度高于第一置信度阈值conf1的全部目标框降序排序,计算最大置信度对应的目标框与其他目标框的重叠度；S34.移除所有大于第一重叠率阈值的关联目标框；对剩下的目标框，循环执行S33和S34步骤，直至所有的目标框均满足要求；S35.对于置信度低于第一置信度阈值conf1的未通过目标框，重新设置低于第一置信度阈值的第二置信度阈值conf2,并设置高于第一重叠度阈值的第二重叠度阈值IOU2，按照S33
‑
S34的步骤进行非极大值抑制操作；经过步骤S32
‑
S35后被保留的全部目标框及其对应类别作为可信的识别结果；被...

【专利技术属性】
技术研发人员：王升哲，梁志清，李成世，张鸿波，刘子骥，康朋新，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：