[发明专利]一种基于元学习的SAR图像小样本目标检测方法及系统

权利要求书

1.一种基于元学习的SAR图像小样本目标检测方法，其特征在于，包括以下步骤：

S1：数据收集及制作

收集基类和小样本类数据，制作对应的支持集输入和查询集输入；

S2：模型粗调

将支持集和查询集的基类数据输入基类目标检测模型，分别提取到支持集、查询集的三组不同尺度的特征，通过互相关操作进行特征聚合，输入目标检测后端进行类别和检测框的回归，得到粗调后的基类目标检测模型；

S3：模型微调

将支持集和查询集的部分基类数据和所有小样本类数据作为输入，以设定的学习率对粗调得到的基类目标检测模型进行微调，得到最终的基类-小样本类目标检测模型；

S4：目标检测

将待检测的SAR图像输入最终的基类-小样本类目标检测模型中进行检测，获得检测结果。

2.根据权利要求1所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：在所述步骤S1中，基类为样本数量较多的类别，小样本类为样本数量较少的类别。

3.根据权利要求1所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：在所述步骤S1中，支持集输入包括从SAR大图裁剪出的不同类型目标的切片、切片的二值掩模图以及不同类型目标切片经过Harris-Laplace检测器后得到的散射特性图；查询集输入包括从SAR大图裁剪出的不同类型目标的切片以及不同类型目标切片经过Harris-Laplace检测器后得到的散射特性图。

4.根据权利要求3所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：所述二值掩模图是指和支持集输入图像尺寸相同的二值图，目标区域为白色矩形框，其他区域为黑色。

5.根据权利要求1所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：在所述步骤S2中，基类目标检测模型是一个孪生网络模型，包括支持集特征提取模型和查询集特征提取模型，其中，支持集特征提取模型和查询集特征提取模型共享权重，组成一个孪生网络结构。

6.根据权利要求1所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：在步骤S2中，互相关操作的具体过程如下：

S21：首先对支持集特征提取模型获得的W/16*H/16*C₂的特征图经过两个并联的1*1卷积层并进行维度变换后，得到了两个特征图：VQ2、尺寸为WH/256*C₂/2；KQ2、尺寸为WH/256*C₂/8；同时支持集特征提取模型获得的W/16*H/16*C₂的特征图也经过两个并联的1*1卷积层并进行维度变换，得到了两个特征图：VS2、尺寸为C₂/8×NHW/256；KS2、尺寸为NHW/256×C₂/2，其中N为所有类别的数量；

S22：将KQ2和VS2进行矩阵乘法操作，并通过softmax函数得到特征图M1，尺寸为HW/256×NHW/256，特征图M1为查询集和支持集的混合注意力表征；

S23：将M1与KS2进行矩阵乘法操作，得到的特征图M2，尺寸为HW/256×C₂/2；

S24：最后将M2与VQ2进行拼接操作，得到最终的特征图M3，尺寸为HW/256×C₂。

7.根据权利要求6所述的一种基于元学习的SAR图像小样本目标检测方法，其特征在于：在所述步骤S2中，目标检测后端包括检测头、维度变换模块、预测模块，将由互相关操作得到的三组特征图输入检测头，利用维度变换模块按照设定通道数的1*1卷积层进行维度变换，再通过预测模块分别对三组特征的类型，坐标，长宽和置信度进行预测。

8.一种基于元学习的SAR图像小样本目标检测系统，其特征在于，利用如权利要求1～7任一项所述的方法进行SAR图像中小样本目标的检测工作，包括：

数据收集及制作模块，用于收集基类和小样本类数据，制作对应的支持集输入和查询集输入；

模型粗调模块，用于将支持集和查询集的基类数据输入基类目标检测模型，分别提取到支持集、查询集的三组不同尺度的特征，通过互相关操作进行特征聚合，输入目标检测后端进行类别和检测框的回归，得到粗调后的基类目标检测模型；

模型微调模块，用于将支持集和查询集的部分基类数据和所有小样本类数据作为输入，以设定的学习率对粗调得到的基类目标检测模型进行微调，得到最终的基类-小样本类目标检测模型；

目标检测模块，用于将待检测的SAR图像输入最终的基类-小样本类目标检测模型中进行检测，获得检测结果。