[发明专利]一种分类器热启动训练机制下的小样本目标检测方法

权利要求书

1.一种分类器热启动训练机制的小样本目标检测方法，其特征在于，包括以下步骤：

步骤(1)：读入源域数据集中的图像数据，通过一系列卷积层操作对图像数据进行特征提取，完成源域数据集中图像的似物性检测以及分类器输入所需的特征提取；

步骤(2)：训练源域网络；

步骤(3)：使用源域网络的参数对目标域网络的参数初始化，目标域网络的分类器输出层参数以及生成式蒙版背景抑制正则项模块均采用随机初始化，生成式蒙版背景抑制正则项模块是对特征提取网络的中间层厚特征图进行统计特征提取而得到的；目标域网络与源域网络通过一个源域网络的分类器构造出知识迁移结构；

步骤(4)：设定目标域网络的分类器训练热启动条件；初始阶段让目标域网络的分类器部分不参与训练，仅对目标域网络的区域提议网络和生成式蒙版背景抑制正则项进行训练；

步骤(5)：读入目标域数据集中的图像数据并提取图像特征；

步骤(6)：训练目标域网络的区域提议网络，直到训练满足目标域网络的分类器训练热启动条件；

步骤(7)：激活目标域网络的分类器的训练；将读入的图像数据分别输入给源域网络和目标域网络，让目标域网络在目标域数据集上进行微调，同时学习到目标域数据的真实标签信息以及来自于源域网络的知识信息，重复迭代训练得到检测模型；

步骤(8)：进行目标检测；仅保留目标域网络的区域提议网络以及分类器网络；先对输入图像数据进行似物性检测，将似物性检测网络生成的区域输入到分类器网络中预测每个预测框的类别概率，然后进行非极大值抑制操作，最后输出检测结果。

2.如权利要求1所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，所述步骤(1)中，似物性检测网络输出若干个区域，对这些区域的似物性概率从大到小排序，然后取前1000个似物性概率区域，其他的区域丢弃；设置似物性检测网络应提出1000个似物性分数最高的区域。

3.如权利要求2所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，所述步骤(1)中，分类器包含感兴趣区域池化层、卷积层以及全连接层，将似物性检测网络生成的1000个区域固定到相同尺寸，对这些特征图进一步地提取特征，进行分类训练与检测。

4.如权利要求3所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，所述步骤(2)中，设置网络批量数为16，设置网络学习率为0.0005，动量为0.9，权重衰减正则项为0.0001，网络学习率在迭代次数达到5000和8000时衰减10倍，最大迭代次数为13000。

5.如权利要求4所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，步骤(3)中，目标域网络的分类器输出层参数与生成式蒙版抑制正则项使用xavier方法随机初始化。

6.如权利要求5所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，步骤(3)中，生成式蒙版背景抑制正则项模块是对特征提取网络的中间层厚特征图进行统计特征提取，得到厚特征图的最小值矩阵、最大值矩阵、平均值矩阵以及方差矩阵，将四个矩阵叠成四通道的薄特征图，通过自动编码器的重建，与真实的蒙版做二分类交叉熵损失，将该损失作为正则项模块的结果。

7.如权利要求6所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，步骤(4)中，当满足似物性检测网络训练超过200个步长或者满足似物性检测网络的损失值收敛到10，即被认定为达到分类器训练的热启动条件。

8.如权利要求7所述的一种分类器热启动训练机制的小样本目标检测方法，其特征在于，步骤(5)中，包括：设置似物性检测网络应提出1000个似物性分数最高的区域；分类器包含感兴趣区域池化层、卷积层以及全连接层，将似物性检测网络生成的1000个区域固定到相同尺寸，对这些特征图进一步地提取特征，进行分类训练与检测；其中分类器的全连接层采用LeakyRelu激活函数。