[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

说明书

本发明公开了一种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，所述方法如下：S1、构建检测网络模型并对图像进行预处理；S2、提取base类图像的元特征和权重向量；S3、结合提取的元特征和权重向量获取多维特征图，并将其输入分类回归模块中计算出损失函数；S4、根据损失函数和梯度下降调整网络参数，实现base类图像对检测网络模型的训练；S5、提取base类和new类联合图像的元特征和权重向量；S6、重复步骤S3和步骤S4，完成new类和base类联合图像对检测网络模型的训练；S7、利用训练好的检测网络模型对测试图像进行检测。本发明中检测网络模型的训练利用大量数据的样本提取元特征，并借助少样本数据进行微调，提升了少量标记样本目标检测的准确率。

技术领域

本发明属于计算机视觉检测技术领域，主要涉及深度学习目标检测，具体来说就是提出了一种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，可以用来实现对只有少量样本的目标进行分类和定位。

背景技术

目前，计算机视觉领域的目标检测任务在工业生产及智能监控等领域中都得到了广泛的应用。目标检测是从图像分类基础上延伸而来的，其主要包括识别图像中所包含的目标，以及标定出目标的位置。在以前，由于计算机的处理速度和内存的限制，研究人员一般使用传统非卷积神经网络的检测方法来检测目标，但随着计算机处理速度和内存的急速发展，使深度学习变成了可行方法。并且，基于深度神经网络的目标检测方法在检测效率以及准确率上均优于传统的目标检测方法。

基于深度学习的目标检测方法主要分为两种：需要候选框的双阶段目标检测和不需要候选框的单阶段目标检测。RCNN、SPPNet、Fast-RCNN及Faster RCNN系列属于前一种方法，RCNN通过对每一个候选框进行卷积进而得到各自的特征图，再根据所得到的特征图进行分类和定位；SPPNet和Fast-RCNN首先通过对整张图进行卷积得到整的特征图，然后再通过RoI Pooling提取各个候选框的特征，从而改进了RCNN系列；Faster RCNN则是改进了候选框的提取方法，使用了一个RPN网络来提取候选框，改善了候选框的产生效率。相反，YOLO属于后一种方法，它直接使用一个神经网络来进行分类和边界框预测。在速度和准确率上，两种检测方法各有优势，通常说来，双阶段目标检测在检测精度上高于单阶段目标检测，而单阶段目标检测由于其不需要产生候选框，从而在检测速度上优于双阶段目标检测，但是两种检测方法中的目标检测任务严重依赖于大量带有标记的数据集进行训练，但在实际应用中，有些物体的数据本身很少，或者很难去获取。当带有标记的数据缺乏时，将产生严重的过拟合和非常差的泛化能力，从而导致检测精度很低或者根本无法检测。

发明内容

本发明的目的是提供一种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，所述目标检测方法能够提升少量标记样本的目标检测准确率。

为解决上述技术问题，本发明提供一种基于元特征和权重调整的少样本目标检测方法，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类图像对检测网络模型的训练；

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；