【技术实现步骤摘要】
本专利技术实施例涉及计算机视觉，特别涉及一种面向低分辨率小样本的目标识别方法及装置。
技术介绍
1、由于深度学习领域的快速发展，神经网络对在测试图片上良好的识别能力依赖于训练过程中输送的大量的有标签数据。小样本识别是计算机视觉中的一个具有挑战性的问题，需要在有标签的训练数据量有限的条件下，使得网络仍能够对测试图片进行准确的分类，这也是现实应用场景下存在的问题，例如野外场景等。
2、然而，在这些场景下，由于拍摄装置与目标物体的距离以及装置本身的限制，通常难以获取高清的测试图像，拍摄到的待测试图像可能是低分辨率图像，这也进一步加剧了小样本识别任务的难度，传统的依赖于高清测试图片的小样本识别算法在面对低分辨率图像时很难获得令人满意的性能。
3、因此，亟需一种面向低分辨率小样本的目标识别方法。
技术实现思路
1、为了解决传统的依赖于高清测试图片的小样本识别算法在面对低分辨率图像时性能较低的问题，本专利技术实施例提供了一种面向低分辨率小样本的目标识别方法及装置。
2、第一方面，本专利技术实施例提供了一种面向低分辨率小样本的目标识别方法，包括：
3、基于待测试小样本集的类别数量和类别种类，构建训练集和验证集；其中，所述待测试小样本集包括不带有标签的低分辨率图像和每一个类别带有标签的高分辨率图像；
4、利用所述训练集对预先构建的识别网络进行监督预训练和元训练，得到识别模型；
5、将所述训练集中的样本图像进行下采样，以利用所述
6、将所述待测试小样本集中的高分辨率图像输入至所述识别模型中得到所述待测试小样本集中每一个类别的类中心，在将所述待测试小样本集中的低分辨率图像输入至所述超分辨率模型得到超分辨率图像后，利用所述识别模型和每一个类别的类中心，得到所述超分辨率图像的预测类别。
7、第二方面，本专利技术实施例还提供了一种面向低分辨率小样本的目标识别装置，包括：
8、构建单元，用于基于待测试小样本集的类别数量和类别种类，构建训练集和验证集；其中，所述待测试小样本集包括不带有标签的低分辨率图像和每一个类别带有标签的高分辨率图像；
9、第一训练单元，用于利用所述训练集对预先构建的识别网络进行监督预训练和元训练，得到识别模型；
10、第二训练单元，用于将所述训练集中的样本图像进行下采样，以利用所述训练集中的样本图像和下采样后的低分辨率样本图像，对预先构建的超分辨率网络进行训练，得到超分辨率模型；
11、预测单元，用于将所述待测试小样本集中的高分辨率图像输入至所述识别模型中得到所述待测试小样本集中每一个类别的类中心，在将所述待测试小样本集中的低分辨率图像输入至所述超分辨率模型得到超分辨率图像后，利用所述识别模型和每一个类别的类中心，得到所述超分辨率图像的预测类别。
12、第三方面，本专利技术实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
13、第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
14、本专利技术实施例提供了一种面向低分辨率小样本的目标识别方法及装置，利用训练集训练识别网络和超分辨率网络，在应用到待测试小样本集时，在仅获得少量有标签的高分辨率图像的前提下，运用超分辨率网络与基于元训练策略的小样本识别网络的集成网络，就可以提高模型的泛化能力，以对待测试小样本集上的低分辨率图像的识别保持较高性能。
本文档来自技高网...【技术保护点】
1.一种面向低分辨率小样本的目标识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对预先构建的识别网络进行监督预训练和元训练，得到识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述待测试小样本集的类别数量和每一个类别的高分辨率图像的数量，从所述训练集中抽取元训练集，以利用所述元训练集对所述初始识别模型进行元训练，得到最终的识别模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述训练集中每个类别的类中心是通过如下方式计算的：
5.根据权利要求3所述的方法，其特征在于，每一个元训练样本的预测概率是通过如下方式计算的：
6.根据权利要求1所述的方法，其特征在于，所述将所述训练集中的样本图像进行下采样，以利用所述训练集中的样本图像和下采样后的低分辨率样本图像，对预先构建的超分辨率网络进行训练，得到超分辨率模型，包括：
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述在将所述待测试小样本集中的低分辨率图像输入至所述超分辨率模型得到超分辨率图
8.一种面向低分辨率小样本的目标识别装置，其特征在于，包括：
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种面向低分辨率小样本的目标识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对预先构建的识别网络进行监督预训练和元训练，得到识别模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述待测试小样本集的类别数量和每一个类别的高分辨率图像的数量，从所述训练集中抽取元训练集，以利用所述元训练集对所述初始识别模型进行元训练，得到最终的识别模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述训练集中每个类别的类中心是通过如下方式计算的：
5.根据权利要求3所述的方法，其特征在于，每一个元训练样本的预测概率是通过如下方式计算的：
6.根据权利要求1所述的方法，其特征在于，所述将所述训练集中的样本图像进行下...
【专利技术属性】
技术研发人员：张子恺，王梓权，翟佳，刘可，叶昕辰，李豪杰，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。