一种基于对比学习的目标检索系统及方法技术方案

本发明专利技术公开了一种基于对比学习的目标检索系统，包括第一至三FPN网络、RPN网络、特征匹配模块、特征融合模块、分类器和回归器；第一FPN网络输入查询块；第二、三FPN网络输入目标图像；第一FPN网络的输出与第二FPN网络的输出，由特征匹配模块匹配后输入至RPN网络；RPN网络输出目标图像候选框；第一FPN网络的输出与RPN网络的输出，由特征融合模块融合后分别输入至分类器和回归器；第三FPN网络输出真值框的特征和随机裁剪的部分背景特征；并与查询块结合用于对比训练第一、二FPN网络；分类器输出目标的类别；回归器输出修正的目标候选框。本发明专利技术采用前景和背景对比学习的方法，解决假阳性过多导致目标检测精度低的问题。

【技术实现步骤摘要】

本专利技术涉及机器学习领域，特别涉及一种基于对比学习的目标检索系统及方法。

技术介绍

1、目前，目标检索的任务是通过一个给定的查询块(通常是一个图像或图像中的一部分)在一组庞大的图像集合中精确地定位和识别特定类别的对象，即从包含大量分布内、外图像的集合中将指定感兴趣类别的目标精准定位。分布内图像通常指的是模型在训练过程中已经遇到过的，属于已知类别和环境的图像。而分布外图像则包括了模型未曾训练过的新类别或新风格的图像，这些图像对模型的泛化能力提出了更高的要求。

2、现有的方法通常需要大量的标注数据来训练模型以识别特定类别的对象，这种做法不仅成本高昂，而且耗时耗力。通过采用特征融合的策略来获取直接可转移的元知识，可以有效地将这些元知识泛化到新类别上，这对于快速适应新的识别任务尤为关键。然而现有方法的测试主要是在成对儿的查询块和目标图像上，未能考虑在一个更广泛的图像集合中检索目标的场景，从而导致在不包含感兴趣目标的图像中频繁出现假阳性结果。

3、除此之外，大多数现有的机器学习模型都是基于封闭世界假设进行训练的，即假设测试数据与训练数据具有本文档来自技高网...

【技术保护点】

1.一种基于对比学习的目标检索系统，其特征在于，包括第一FPN网络、第二FPN网络、第三FPN网络、RPN网络、特征匹配模块、特征融合模块、分类器和回归器；

2.根据权利要求1所述的基于对比学习的目标检索系统，其特征在于，第一、二FPN网络为孪生网络，两者结构相同。

3.根据权利要求2所述的基于对比学习的目标检索系统，其特征在于，还包括用于扰动第一、二FPN网络中浅层特征的均值和方差的特征增强器，特征增强器包括第一特征增强模块和/或第二特征增强模块；

4.一种基于对比学习的目标检索方法，其特征在于，构建目标检索模型；目标检索模型中设置第一FPN网络、第...

【技术特征摘要】

1.一种基于对比学习的目标检索系统，其特征在于，包括第一fpn网络、第二fpn网络、第三fpn网络、rpn网络、特征匹配模块、特征融合模块、分类器和回归器；

2.根据权利要求1所述的基于对比学习的目标检索系统，其特征在于，第一、二fpn网络为孪生网络，两者结构相同。

3.根据权利要求2所述的基于对比学习的目标检索系统，其特征在于，还包括用于扰动第一、二fpn网络中浅层特征的均值和方差的特征增强器，特征增强器包括第一特征增强模块和/或第二特征增强模块；

4.一种基于对比学习的目标检索方法，其特征在于，构建目标检索模型；目标检索模型中设置第一fpn网络、第二fpn网络、第三fpn网络、rpn网络、特征匹配模块、特征融合模块、分类器和回归器；

5.根据权利要求4所述的基于对比学习的目标检索方法，其特征在于，采用如下方法步骤训练目标检索模型：

6.根据权利要求5所述的基于...

【专利技术属性】
技术研发人员：冯伟，郑姝琪，张玉鹏，韩瑞泽，冯昱中，万亮，
申请(专利权)人：天津大学，
类型：发明
国别省市：