[发明专利]一种基于元学习的增量小样本目标检测方法

权利要求书

1.一种基于元学习的增量小样本目标检测方法，用以使得目标检测器增量地学习到在新类别上的检测能力，其特征在于，包括以下步骤：

1)构建增量小样本目标检测模型，该模型包括特征提取器、目标定位器以及元学习器，特征提取器用以将经过数据增强后的图像作为输入，提取该图像的抽象特征，所述的目标定位器以特征提取器的抽象特征为输入，包含三个并行的工作端，即热力图端、尺寸端和补偿端，并分别输出热力图、尺寸图和补偿图，所述的元学习器用以实现元学习，所述的热力图为大小的张量，包含图像中可能包含物体的位置、物体的类别以及置信度信息，所述的尺寸图为大小的张量，包含抽象特征上每一个点对应目标的尺寸信息，所述的补偿图为大小的张量，包含抽象特征上每一个点对应的目标中心的偏移值信息；

2)对增量小样本目标检测模型进行训练；

3)根据训练好的增量小样本目标检测模型进行新目标定位和分类。

2.根据权利要求1所述的一种基于元学习的增量小样本目标检测方法，其特征在于，所述的增量小样本目标检测模型根据热力图、尺寸图和补偿图中的信息进行解码获得图像中的物体定位和分类信息，具体为：

若热力图中点的值不小于该点周围8个点的值，则判定其为热点，据此获取热力图中的所有热点，热点决定了预测目标框的中心在图像中的坐标和类别；

根据热点在热力图上的坐标分别对应其在尺寸图和补偿图中的相应位置，据此获取预测目标框的尺寸和预测目标框中心的偏移值；

解码得到目标的位置和大小，预测目标框用公式表示为：

其中，和分别为热点的坐标，和分别为热点所对应的目标尺寸，和分别为热点所对应目标中心的偏移值。

3.根据权利要求1所述的一种基于元学习的增量小样本目标检测方法，其特征在于，所述的步骤2)包括基础训练阶段、元学习阶段和小样本微调阶段。

4.根据权利要求3所述的一种基于元学习的增量小样本目标检测方法，其特征在于，所述的基础训练阶段具体包括以下步骤：

201)对于每一张包含基础类别的图像，仅保留图像中基础类别目标框的标注；将图像经数据增强后，作为特征提取器的输入并输出抽象特征；

202)将抽象特征分别作为目标定位器中热力图端、尺寸端和补偿端的输入，输出热力图、尺寸图和补偿图，其中，热力图端采用Focal Loss作为损失函数，尺寸端和补偿端均使用L1损失函数作为损失函数，三个工作端的损失函数按照比例进行加和作为整个模型的总检测损失并进行反向传播调整模型的参数；

203)在后续的元学习阶段和小样本微调阶段中，在基础训练阶段得到的特征提取器的参数以及目标定位器中的热力图端对应于基础类别的滤波器参数不再调整。