[发明专利]基于元特征和权重调整的少样本目标检测方法及网络模型

权利要求书

1.基于元特征和权重调整的少样本目标检测方法，其特征在于，所述方法包括以下步骤：

S1、构建检测网络模型并对输入的base类训练图像、new类训练图像和测试图像均进行预处理；

S2、将预处理后的base类训练图像输入检测网络模型中的元特征提取模块和权重调整模块进行卷积以提取对应的元特征图和权重向量；

S3、将各自卷积提取的元特征图和权重向量进行结合并获取对应的多维特征图，然后将获取的多维特征图输入分类回归模块的分类器和回归器中进行分类和回归，根据分类回归模块的当前目标输出结果与目标的真实类别及目标框位置计算出目标损失函数；

S4、根据所计算的目标损失函数和梯度下降不断调整网络参数，完成base类图像训练检测网络模型；

S5、将预处理后的new类训练图像和base类训练图像联合输入检测网络模型中的元特征提取模块和权重调整模块进行卷积以提取其对应的元特征图和权重向量；

S6、重复步骤S3，并根据所计算的目标损失函数和梯度下降不断调整网络参数，从而完成new类和base类联合图像训练检测网络模型；

S7、利用步骤S6中完成的训练检测网络模型对预处理后的测试图像进行检测，进而输出测试图像中目标的检测结果。

2.如权利要求1所述的基于元特征和权重调整的少样本目标检测方法，其特征在于，所述步骤S1的具体实现方式为：将输入的base类训练图像、new类训练图像和测试图像尺寸利用双线性插值法缩放至416×416，然后归一化至[0，1]区间。

3.如权利要求2所述的基于元特征和权重调整的少样本目标检测方法，其特征在于，所述步骤S2的具体实现方式包括：

S21、将预处理后的base类Query图像输入元特征提取模块进行卷积，提取不同目标类别的元特征图；

S22、将预处理后的base类Support图像输入权重调整模块进行卷积，提取各个目标类别的权重向量。

4.如权利要求3所述的基于元特征和权重调整的少样本目标检测方法，其特征在于，所述步骤S3的具体实现方式包括：

S31、将各自卷积所提取的元特征图和权重向量通过一个1×1的卷积进行结合，然后获取其对应的多维特征图；

S32、将所获取的多维特征图输入分类回归模块的分类器和回归器中进行分类和回归，从而输出当前目标属于每一个类别的概率及其对应坐标；

S33、根据分类回归模块输出的当前目标属于每一个类别的概率及其对应坐标与当前目标的真实类别及目标框位置计算出目标损失函数。

5.如权利要求4所述的基于元特征和权重调整的少样本目标检测方法，其特征在于，所述步骤S32中的将所获取的多维特征图进行分类和回归可用公式表示为：

(o_i,x_i,y_i,h_i,w_i,c_i)＝p(F_i) (1)

式(1)中，i表示不同的类，i＝1，...，N，N为自然数，o表示锚点anchor的目标度评分，(x,y,h,w)表示定位框bbox的位置偏移量，x,y表示定位框的左上角位置坐标，h表示定位框的高度，w表示定位框的宽度，c表示分类分数，p表示预测模型，F_i表示类i的特定特征，其中F＝D(I)表示输入图像I对应的元特征图，D表示对输入图像I卷积，w_i＝M(I_i,Q_i)表示类i特定的权重向量，Q_i表示输入图像相关的边界框注释。