【技术实现步骤摘要】
本专利技术涉及目标检测领域，具体涉及一种基于共性特性解耦的小样本目标检测方法及系统。
技术介绍
1、小样本分类指在训练数据集中，每个类别只有少量的样本可供学习。与传统的图像分类任务中大量的标注数据不同，小样本分类需要模型在数据稀缺的情况下学习到不同类别之间的特征差异，从而对新的未知样本进行正确分类。
2、现有技术中，小样本目标检测通常基于经典的深度学习检测器：rcnn系列、yolo系列、detr以及近期使用较广的transformer，在一些策略方法的辅助下泛化先验知识到稀缺类别上辅助模型对新类的学习。而受限于数据量过少，先验知识对于现有小样本目标检测方法十分重要，新类数据稀缺则容易导致相似基新类之间的误分类问题。
3、因此，目前亟需一种能够缓解新类数据稀缺导致的相似基新类之间误分类问题的小样本目标检测方法。
技术实现思路
1、有鉴于此，本专利技术公开一种基于共性特性解耦的小样本目标检测方法及系统，以解决上述问题；
2、一种基于共性特性解耦的小样本目标检
【技术保护点】
1.一种基于共性特性解耦的小样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于共性特性解耦的小样本目标检测方法，其特征在于，Faster RCNN采用RestNet-101作为骨干网络。
3.根据权利要求1所述的基于共性特性解耦的小样本目标检测方法，其特征在于，得到包含视觉特征的全局胶囊包括：
4.根据权利要求3所述的基于共性特性解耦的小样本目标检测方法，其特征在于，对初级胶囊进行非线性变换采用squashing压缩函数；将局部初级胶囊合并为全局胶囊采用的线性层包含squashing压缩激活函数。
5.根...
【技术特征摘要】
1.一种基于共性特性解耦的小样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于共性特性解耦的小样本目标检测方法，其特征在于，faster rcnn采用restnet-101作为骨干网络。
3.根据权利要求1所述的基于共性特性解耦的小样本目标检测方法，其特征在于，得到包含视觉特征的全局胶囊包括：
4.根据权利要求3所述的基于共性特性解耦的小样本目标检测方法，其特征在于，对初级胶囊进行非线性变换采用squashing压缩函数；将局部初级胶囊合并为全局胶囊采用的线性层包含squashing压缩激活函数。
5.根据权利要求1所述的基于共性特性解耦的小样本目标检测方法，其特征在于，得到共性特征与特性特征包括：
6.根据权利要求5所述的基于共性特性解耦的小样本目标检测方法，其特征在于，特性特征的计...
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。