[发明专利]小样本目标检测模型构建方法、装置、设备及存储介质

权利要求书

1.一种小样本目标检测模型构建方法，其特征在于，包括以下步骤：

获取基类数据集和新类数据集；

基于所述基类训练集对预设的神经网络模型进行训练生成基础目标检测模型；

根据所述基类数据集和所述新类数据集构建平衡训练集；

基于所述平衡训练集对所述基础目标检测模型进行训练生成小样本目标检测模型；

其中，所述神经网络模型包括背景衰减块和幻觉器，所述背景衰减块用于对图像进行前景加强和背景抑制的处理，所述幻觉器用于根据基类的共享类内特征变化为新类生成特征级训练实例，所述幻觉器基于所述特征级训练实例能够从新类别物体中提取出新的特征。

2.如权利要求1所述的小样本目标检测模型构建方法，其特征在于：所述神经网络模型还包括骨干网络、区域建议网络RPN、池化层和预测层；

所述骨干网络用于对图像进行特征提取，得到初始特征图；

所述背景衰减块用于对初始特征图进行前景加强和背景抑制处理，得到注意力加强后的特征图；

所述RPN用于对注意力加强后的特征图进行锚框预测，得到多个推荐框；

所述池化层用于对注意力加强后的特征图和候选框进行池化处理，得到区域特征图；

所述预测层包括幻觉器、分类器和回归网络，所述幻觉器用于对区域特征图进行目标识别，得到目标对象；所述分类器用于对区域特征图和目标对象进行分类，得到分类结果；所述回归网络用于对区域特征图中的锚框进行边框回归处理，以修正锚框的位置。

3.如权利要求2所述的小样本目标检测模型构建方法，其特征在于，所述背景衰减块用于对初始特征图进行前景加强和背景抑制处理，得到注意力加强后的特征图，包括：

基于线性可学习矩阵和初始特征图中各个像素点的特征向量计算得到每个像素点的权重值；

根据所述权重值和各个像素点的特征向量计算得到每个像素点的权重特征图；

基于所述权重特征图对所述初始特征图进行前景加强和背景抑制处理，得到注意力加强后的特征图。

4.如权利要求3所述的小样本目标检测模型构建方法，其特征在于，所述权重值的计算公式为：

所述权重特征图的计算公式为：

基于以下公式得到注意力加强后的特征图：

Z＝Y+α.LeakyReLU(G)

其中，P_BA(y_i)表示初始特征图上的第i个像素点的权重值，y_i表示初始特征图上的第i个像素点，W_e表示线性可学习矩阵，Ω表示初始特征图的像素点集合，G表示权重特征图，Z表示注意力加强后的特征图，Y表示初始特征图，α为常数，LeakyReLU表示激活函数。

5.如权利要求2所述的小样本目标检测模型构建方法，其特征在于，所述基于所述基类训练集对预设的神经网络模型进行训练生成基础目标检测模型，包括：

通过基类训练集对骨干网络、背景衰减块、RPN、池化层、分类器和回归网络进行训练；

待训练完毕后，将骨干网络、背景衰减块、RPN、池化层、分类器和回归网络冻结，通过训练好的分类器和基类训练集对幻觉器进行训练，以生成基础目标检测模型。

6.如权利要求2所述的小样本目标检测模型构建方法，其特征在于，所述基于所述平衡训练集对所述基础目标检测模型进行训练生成小样本目标检测模型，包括：

将基础目标检测模型中的骨干网络、背景衰减块、RPN、池化层冻结，通过平衡训练集对基础目标检测模型中的幻觉器、分类器和回归网络进行微调训练，以生成小样本目标检测；

其中，在对幻觉器进行微调训练时，将分类器和回归网络冻结；在对分类器或回归网络进行微调训练时，将幻觉器冻结。