[发明专利]基于权重生成的增量式小样本目标检测方法及系统

说明书

本发明属于计算机视觉领域，具体涉及了一种基于权重生成的增量式小样本目标检测方法及系统，旨在解决现有目标检测器缺乏小样本快速学习和增量学习的能力，对标签数据依赖性强，检测器不具备开放性的问题。本发明包括：通过基础类别数据进行检测器监督训练；获取基础类别目标检测器的尺度感知和中心度感知的权重，生成基础类别响应；结合基础类别响应生成新类别权重；结合新类别数据进行基础类别目标检测器的微调训练；通过获得的基础类别和新类别的目标检测器实现增量式小样本目标检测。本发明结合尺度和中心度感知，区域特征更具代表性，目标定位更准确，模型在增量学习中可获得更好的整体性能，检测效率高、准确性和精度高。

技术领域

本发明属于计算机视觉领域，具体涉及了一种基于权重生成的增量式小样本目标检测方法及系统。

背景技术

作为许多计算机视觉任务中必不可少的步骤，近年来，目标检测引起了学术界和工业界广泛的关注。在深度神经网络的帮助下，目标检测领域已取得了长足的进步。但是，深度神经网络高度依赖庞大的训练数据和消耗大量人力的人工标注，而在许多实际情况下，人们并不容易得到海量标注标签。同时，当面对随着时间推进随时可能增加新的检测要求的数据流时，大多数基于深度神经网络的目标检测器都缺乏小样本快速学习和增量学习的能力。

最近，一些研究提出了在图像分类的任务中进行增量式/小样本学习的方法，但如何在更具挑战性的目标检测领域解决这种设置仍然亟待解决。考虑到上述限制，在本文中，我们针对性解决增量式小样本目标检测任务。该任务旨在仅通过几个示例对新类别目标进行检测，同时保持检测旧类的能力。这就要求新的检测器要具有注释效率和开放性，但在这一重要特性在现有技术中很少涉及。

发明内容

为了解决现有技术中的上述问题，即现有目标检测器缺乏小样本快速学习和增量学习的能力，对标签数据依赖性强，检测器不具备注释效率和开放性的问题，本发明提供了一种基于权重生成的增量式小样本目标检测方法，该方法包括：

基于获取的待检测图像，通过构建并训练好的用于基础类别和新类别目标检测的目标检测器进行前向推理的目标检测，获得目标检测结果；

其中，所述用于基础类别和新类别目标检测的目标检测器，其构建及训练方法为：

步骤S10，获取增量式小样本目标检测任务的样本数据集；所述样本数据包括基础类别样本集和新类别样本集；

步骤S20，构建目标检测器，并基于所述基础类别样本集，通过标准监督方法进行所述目标检测器的训练，获得基础类别目标检测器；

步骤S30，对于所述新类别样本集的每一个新类别样本，通过所述基础类别目标检测器的FPN网络提取尺度感知区域特征图，并基于所述尺度感知特征图提取中心度感知区域特征图；

步骤S40，对所述新类别样本集中每一个新类别样本的中心度感知区域特征图进行平均，获得新类别的最终代表性区域特征图；

步骤S50，基于所述新类别的最终代表性区域特征图，获得所述基础类别目标检测器对区域特征的基础类别响应，并进行基础类别权重组合生成新类别权重；

步骤S60，基于所述新类别权重进行所述基础类别目标检测器的微调，获得用于基础类别和新类别目标检测的目标检测器。

在一些优选的实施例中，所述基础类别目标数据集和新类别目标数据集，分别表示为：

其中，和分别代表基础类别目标数据集和新类别目标数据集，基础类别目标数据集中第个数据，为的标签，为基础类别目标数据集中数据的总数量，代表新类别目标数据集中第个数据，为的标签，为新类别目标数据集中数据的总数量，。

在一些优选的实施例中，步骤S30中通过所述基础类别目标检测器的FPN网络提取尺度感知区域特征图，其方法为：