[发明专利]基于元学习和跨阶段沙漏的大视场小样本目标检测方法

说明书

本发明提出了一种基于元学习和跨阶段沙漏的大视场小样本目标检测方法，用于解决现有技术存在的检测精度较低的技术问题，实现步骤为：构建第一训练样本集、第二训练样本集和测试样本集；构建基于跨阶段沙漏结构的一阶段目标检测模型；对基于跨阶段沙漏结构的一阶段目标检测模型进行迭代预训练；构建基于跨阶段沙漏结构的二阶段目标检测模型；基于元学习的方法对基于跨阶段沙漏结构的二阶段目标检测模型进行迭代训练；获取目标检测结果。本发明通过构建基于跨阶段沙漏结构的目标检测模型，增强了模型提取目标深度特征的能力，再通过元学习方法进行训练，使得模型能够充分学习到常规任务和小样本任务的差异性，提高小样本目标检测精度。

技术领域

本发明属于图像处理技术领域，涉及一种目标检测方法，特别涉及一种基于元学习和跨阶段沙漏的大视场小样本目标检测方法。

背景技术

随着高性能大规格焦平面阵列成像技术的成熟，探测器可以获取高分辨，高帧频、大视场的图像。由于大视场图像具备更大的可视范围和更高的分辨率，因而大视场目标检测对各种民用车载、无人机等进行更大范围的资源勘探、灾害监测具有重大意义。但是，大视场成像的复杂度较高，很难获得大量的大视场图像数据，这让构建与常规图像数据集的数千乃至数万张图像相当的大视场图像数据集是非常不现实的。然而现今广泛使用的深度学习检测算法很大程度上依赖于数据量，较少的图像数量不仅会导致现有算法的训练困难，还会造成模型过拟合进而使实际检测精度大幅度下降，此外，大视场图像中的目标相对较小，特征不明显，在小样本条件下进行特征提取更加困难。因此，在大视场图像数量较少的不利条件限制下，研究有效的深度学习目标检测算法具有重要的意义。

上海交通大学在其申请的专利文献“红外大视场环境下的多小目标实时检测方法”(专利申请号：200510028883.8，公开号：CN1731217)中，提出了一种目标检测技术领域的红外大视场环境下的多小目标实时检测方法，该方法首先确定红外大视场图像数据的分块方法，使用能量差值矩阵，获取可能存在小目标的分块图像区域，并将可能存在小目标的相邻图像块合并后，获得差分图像块，然后基于局部能量阈值的多小目标检测及相关参数获取，完成目标检测，该发明实现了对红外大视场环境下的各小目标对象的分割和相关参数获取。但是该方法基于能量阈值进行检测，并不能描述目标的深度特征，因此容易受到噪声的干扰导致精度下降，且适用场景受限。

深度学习定义小样本目标检测任务为：在训练阶段，会在训练集中随机抽取C个类别，每个类别K个样本，总共C×K个样本，作为模型的支撑集输入；再从这C个类中剩余的数据中抽取一批样本作为模型的预测对象，要求模型从C×K个数据中学会如何区分这C个类别，该任务也被称为C-way，K-shot问题。目前，已有很多小样本算法在常规数据集上证明了其有效性，因此，将小样本学习框架应用于大视场图像目标检测，从而解决由于图像数量少导致的检测精度下降是趋势所在。

同济大学在其申请的专利文献“一种基于元学习的增量小样本目标检测方法”(专利申请号：202011154301.1，公开号：CN112329827A)中提出了一种基于元学习的增量小样本目标检测方法，其首先构建增量小样本目标检测模型，该模型包括特征提取器、目标定位器以及元学习器，然后对增量小样本目标检测模型进行训练，最后根据训练好的增量小样本目标检测模型进行新目标定位和分类。但是该方法仅有目标定位器参与少样本训练，而特征提取器的权重固定，即模型的少样本检测性能完全依赖于目标定位器的训练，而目标定位器仅是单层的卷积层，导致了检测精度的降低。另外该方法的特征提取器后直接连接上目标定位器，这显然没有考虑到常规学习和少样本的任务存在差异性，即元学习模型不能同等效果的利用常规学习提取到的特征，这之间缺少一个编解码的过程，并未充分利用元学习的优势，导致检测精度的并未有明显提升。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于元学习和跨阶段沙漏的大视场小样本目标检测方法，用于解决现有技术存在的检测精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：