[发明专利]一种基于深度学习的少样本目标检测方法

说明书

本发明公开了一种基于深度学习的少样本目标检测方法，该方法获取少样本目标检测的数据集；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；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。本发明能够提高少样本目标检测网络模型的准确性和泛化性，该目标检测方法还结合了深度学习，使用了需要候选框的双阶段目标检测，能够提高少样本检测的精确度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的少样本目标检测方法。

背景技术

计算机视觉领域的目标检测在军事、工业生产及智能监控等领域中都得到了广泛的应用。目标检测是在图片分类的基础上延伸而来，主要包括识别图片中包含的目标，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的方法。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。

目前，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，在通用的目标检测训练中，每个类别的样本往往有成千上万张图，但在实际应用中，我们发现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

为解决现有技术中存在的问题，本发明提供一种基于深度学习的少样本目标检测方法，能够实现少样本高精度检测。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的少样本目标检测方法，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。

根据本发明的一些实施例，所述获取少样本目标检测的数据集，包括步骤：在所述Microsoft COCO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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。