[发明专利]一种基于深度学习的少样本目标检测方法

权利要求书

1.一种基于深度学习的少样本目标检测方法，其特征在于，包括以下步骤：

获取少样本目标检测的数据集；其中，所述少样本目标检测的数据集中包括多个图片类别并且每一所述图片类别对应的图片数量少于第一预设值；

将所述数据集划分为训练集和验证集，将所述训练集划分为支持集和询问集；

构建目标检测网络模型和所述目标检测网络模型的目标损失函数，其中，通过如下方式构建所述目标检测网络模型：

通过权重共享特征提取网络提取所述支持集的特征图和所述询问集的特征图；对所述支持集的特征图进行全局平均池化，得到所述支持集的特征向量；将所述支持集的特征向量与所述询问集的特征图进行特征融合获得注意力特征图；提取所述注意力特征图中的第一目标候选框；根据真实标签提取所述支持集的特征图中的第二目标候选框；将所述第一目标候选框和所述第二目标候选框的大小进行统一，根据reshape分别获取所述第一目标候选框的第一候选区域向量和所述第二目标候选框的第二候选区域向量；根据皮尔逊距离函数对所述第一候选区域向量和所述第二候选区域向量进行相似性度量，得到度量最相似的类别；

根据所述训练集和所述目标损失函数对所述目标检测网络模型进行训练，得到训练完成后的所述目标检测网络模型；

根据所述验证集对训练完成后的所述目标检测网络模型进行验证。

2.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述获取少样本目标检测的数据集，包括步骤：在所述MicrosoftCOCO数据集中分别为每一图片类别选取标签正确并且标记框大于图片大小的0.05％的图片作为所述少样本目标检测的数据集。

3.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述将所述训练集划分为支持集和询问集，包括步骤：从所述训练集中选择五张目标类别区域大于第二预设值的图片作为所述支持集，将所有所述训练集的图片作为所述询问集。

4.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述提取所述注意力特征图中的第一目标候选框，包括步骤：采用Faster RCNN中的区域提取网络提取所述注意力特征图中的所述第一目标候选框。

5.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述权重共享特征提取网络包括Darknet53网络和Mish激活函数。

6.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述将所述支持集的特征向量与所述询问集的特征图进行特征融合获得注意力特征图，包括步骤：将所述支持集的特征向量与所述询问集的特征图通过通道卷积进行特征融合，获得注意力特征图。

7.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述将所述第一目标候选框和所述第二目标候选框的大小进行统一，包括步骤：将所述第一目标候选框和所述第二目标候选框分别使用ROI Align进行缩放，获得统一大小后的所述第一目标候选框和所述第二目标候选框。

8.根据权利要求1所述的基于深度学习的少样本目标检测方法，其特征在于，所述目标损失函数的公式为：

其中，所述b表示每张图片的序号，所述p_b表示图片序号是b的概率，所述表示标签，所述的取值为0或者1，所述t表示预测框的四个参数，所述v_b表示预测框的标签，所述L_cls表示分类损失函数，所述L_loc表示定位损失函数，所述N_cls和所述N_loc分别表示分类损失函数和定位损失函数的归一化系数，所述λ表示两者之间的权重参数。