[发明专利]基于改进原型网络的少样本森林火灾烟雾识别方法及装置

权利要求书

1.一种基于改进原型网络的少样本森林火灾烟雾识别方法，其特征在于，包括：

训练少样本检测网络模型，所述少样本检测网络模型包括依次连接的输入模块、目标特征提取模块、元学习模块及输出模块；

获取测试数据集，并将所述测试数据集划分为支持图像集和查询图像集；所述测试数据集中的图像包括烟、云、雾、树及悬崖；

将所述支持图像集和查询图像集输入训练好的所述少样本检测网络模型，采用所述输入模块及目标特征提取模块进行处理，得到支持图像特征向量和查询图像特征向量；

通过元学习模块进行处理，计算所述支持图像特征向量和查询图像特征向量的欧式距离，并根据所述欧式距离计算所述查询图像集中每一图像在每一个类上的概率，得到分类结果，从而完成所述查询图像集中每一图像的森林火灾烟雾识别；

通过所述图像输出模块输出所述查询图像集中每一图像的分类结果。

2.如权利要求1所述的少样本森林火灾烟雾识别方法，其特征在于，训练少样本检测网络模型具体为：

数据集建立：获取训练数据集，并将所述训练数据集划分为支持样本和查询样本；所述训练数据集包括miniImageNet中的数据，共95类，且所述训练数据集中不含有所述测试数据集的类别；

模型搭建：构建所述少样本检测网络模型，该模型中的目标特征提取模块由原始特征提取模块和注意力机制模块结合所得；

模型训练及优化：采用miniImageNet中的数据对少样本检测网络模型进行训练及优化；

模型评估：采用5-way平均准确率对所述少样本检测网络模型进行评估，同时使用准确率(AR)、误报率(FAR)、烟雾准确率(DR)、召回率(RR)和F1值对森林火灾烟雾数据集检测结果进行评估。

3.如权利要求2中的少样本森林火灾烟雾识别方法，其特征在于，所述原始特征提取模块包括四个卷积块，每一个卷积块包括卷积层、激活层、池化层，所述注意力机制模块包括通道注意力模块和空间注意力模块；所述方法包括：

在所述原始特征提取模块中的第一和第四卷积块卷积层后增加所述注意力机制模块，得到新的卷积块，从而构成所述目标特征提取模块。

4.如权利要求3所述的少样本森林火灾烟雾识别方法，其特征在于，所述方法具体包括：

将所述支持图像集中的支持图像和所述查询图像集中的查询图像输入所述输入模块；

采用引入注意力机制的所述目标特征提取模块对所述支持图像和查询图像进行特征提取，得到图像特征向量；

采用所述元学习模块对图像特征向量进行欧氏距离计算，得到查询图像集中每一图像在每一个类上的概率，得到分类结果。

5.如权利要求1所述的少样本森林火灾烟雾识别方法，其特征在于，所述方法还包括：

采用5-way平均准确率、准确率、误报率、烟雾准确率及召回率对所述分类结果进行评估。

6.一种基于改进原型网络的少样本森林火灾烟雾识别装置，其特征在于，包括：

训练单元，用于训练少样本检测网络模型，所述少样本检测网络模型包括依次连接的输入模块、目标特征提取模块、元学习模块及输出模块；

获取单元，用于获取测试数据集，并将所述测试数据集划分为支持图像集和查询图像集；所述测试数据集中的图像包括烟、云、雾、树及悬崖；

检测单元，用于：

将所述支持图像集和查询图像集输入训练好的所述少样本检测网络模型，采用所述输入模块及目标特征提取模块进行处理，得到支持图像特征向量和查询图像特征向量；

通过元学习模块进行处理，计算所述支持图像特征向量和查询图像特征向量的欧式距离，并根据所述欧式距离计算所述查询图像集中每一图像在每一个类上的概率，得到分类结果，从而完成所述查询图像集中每一图像的森林火灾烟雾识别；

通过所述图像输出模块输出所述查询图像集中每一图像的分类结果。