[发明专利]一种基于无人机系统小样本的遮挡目标识别方法

说明书

本发明公开了一种基于无人机系统小样本的遮挡目标识别方法，属于遮挡目标识别领域，所述方法包括：构建融合自注意力机制的元学习模型：设计元学习网络框架，并将自注意力机制模块加入元学习网络框架；基于多个小样本图像学习任务进行模型训练；将训练好的元学习模型用于实际小样本遮挡目标图像识别任务。本发明提供了一种融合自注意力机制的元学习模型，利用元学习的小样本学习能力以及通过学习目标的部分与部分之间的关系，增加目标的有效特征，解决了无人机系统小样本条件下遮挡目标识别效果较差的问题。

技术领域

本发明属于遮挡目标识别技术领域，尤其涉及一种基于无人机系统小样本 的遮挡目标识别方法。

背景技术

无人机常用于对未知环境中未知目标的识别，任务的特殊性使得无人机在 执行任务时会存在很多目标样本数量较少且存在环境遮挡的情况。遮挡目标识 别一直是目标识别领域的难点问题，而对于样本很少的小样本识别任务，这类 目标更加难以处理。

针对遮挡目标识别问题，传统特征提取方法大多通过整合一系列特征检测 器的方式设计模型，以提高识别准确率，但同时带来计算量大的问题，速度成 为该类算法的主要瓶颈。深度学习方法在大样本条件下可以获得较好目标识别 效果，但难以在小样本条件下学习到较好的模型。元学习等小样本学习方法以 任务作为单位进行学习，利用先验知识加速模型的学习效率，能够在泛化性较 强的初始网路基础上快速适应新的任务，在小样本目标识别领域取得较高的准 确率，但遮挡条件使得目标有效特征更少，使得小样本条件下的遮挡目标识别 效果较差。自注意力机制可以快速提取出样本内部信息，在语义识别等领域都 得到了一定的应用，但是还未用于小样本识别问题。

发明内容(发明)

针对现有技术中的上述不足，本发明提供的一种基于无人机系统小样本的 遮挡目标识别方法，提供了一种融合自注意力机制的元学习模型，利用元学习 的小样本学习能力以及通过学习目标的部分与部分之间的关系，增加目标的有 效特征，解决了无人机系统小样本条件下遮挡目标识别效果较差的问题。

为了达到上述发明目的，本发明采用的技术方案为：

本发明提供一种基于无人机系统小样本的遮挡目标识别方法，包括如下步 骤：

S1、设计元学习网络框架，并将用于自注意力机制模块加入元学习网络框 架，以构建融合自注意力机制的元学习模型；

S2、基于多个小样本图像学习任务对所述元学习模型进行训练；

S3、利用已训练的元学习模型对实际无人机系统小样本进行遮挡目标图像 识别。

本发明的有益效果为：本发明与深度学习方法相比，本方法在相同条件下 只需要很少的样本数量即可达到相当的识别准确率，且本方法与传统的小样本 学习相比，由于融入了自注意力机制模块，能够有效获取目标各个部分之间的 依赖关系，在遮挡目标识别上能够获取更高的准确率。

进一步地，所述步骤1中元学习网络框架为直筒型结构，且由2×2的第一 卷积层、2×2的第二卷积层、2×2的第三卷积层、2×2的第四卷积层以及全连 接层依次连接构成；所述自注意力机制模块的输入端与第一卷积层的输出端连 接，且其输出端与第二卷积层的输出端连接；所述第一卷积层的输出端与第二 卷积层的输入端之间采用残差连接的方式与自注意力机制模块进行融合。

上述进一步方案的有益效果为：采用所述元学习网络框架作为基础框架， 能够保留小样本学习能力，采用残差连接的方式融入自注意力机制模块，能够 捕捉目标更多的有效特征，提高模型对目标的表征能力，且可以适应不同的网 络结构，应用比较灵活方便。

所述自注意力机制模块由1×1的第五卷积层、1×1的第六卷积层、1×1的第 七卷积层以及softmax层构成；