[发明专利]解耦度量的单阶段小样本目标检测方法

说明书

本发明属于计算机视觉领域，具体涉及一种解耦度量的单阶段小样本目标检测方法，旨在解决现有小样本检测目标检测方法检测精度不足、非解耦形式下分类和回归相互干扰、以及在小样本情况下检测网络训练容易出现过拟合的问题。本发明方法包括获取待检测的图像，作为输入图像；通过预构建的小样本目标检测网络DMNet获取所述输入图像中各待检测目标对应的类别及回归框；其中，DMNet包括多尺度特征提取网络、解耦表达转化模块、图像级度量学习模块、回归框预测模块。本发明避免了检测网络训练时的过拟合问题，消除了分类分支、回归分支的相互干扰，并提高了小样本目标检测的精度。

技术领域

本发明属于计算机视觉领域，具体涉及一种解耦度量的单阶段小样本目标检测方法。

背景技术

在快速兴起的深度学习领域，得益于大数据的训练与学习，深度神经网络在视觉上取得了巨大成功。然而，在某些真实场景中，相关视觉数据很稀少，例如水下数据和医学数据等。在计算机视觉任务中，卷积神经网络 (Convolutional Neural Networks, CNNs)得到了广泛应用，以Ren等人提出的Faster RCNN为代表的两阶段检测器和以Liu等人提出的Single Shot MultiBox Detector (SSD) 为代表的单阶段检测器都在目标检测上取得了不错的效果。但是这两类检测器都存在一个问题，即当训练数据非常少时，训练容易发生过拟合，从而导致检测器的性能大幅下降。

度量学习作为一种相似度学习的方法，相比于CNNs具有更好的泛化性，因此经常被用于小样本分类问题。Karlinsky等人设计了一种基于度量学习的分类模块，并将其应用到了目标检测中，从而提升了检测器小样本目标检测的性能。但是这种方法依赖于两阶段检测方法中的ROI Pooling，只能做到实例级的处理，并不能直接对整个特征图进行检测。这导致了检测器的检测速度较慢，难以实现实时检测。

此外，还有一个长期存在的问题，即分类和回归之间的表达差异。对于分类来说，其应该具有平移不变性，即先验参考框发生小幅度的位移时其分类结果应该不变；而对于回归来说，其应该具有平移可变性，即先验参考框发生位移时其回归预测也应该随之改变。通常检测器的回归头和分类头使用共享特征，但这一做法并没有解决这种差异。在训练数据充足的情况下，这种表达差异不会明显影响检测器的性能，但是在小样本情况下，即训练数据非常稀少时，这种差异便突显出来，影响检测器的性能。

发明内容

为了解决现有技术中的上述问题，即为了解决现有小样本检测目标检测方法检测精度不足、非解耦形式下分类和回归相互干扰、以及在小样本情况下检测网络训练容易出现过拟合的问题，本发明第一方面，提出了一种解耦度量的单阶段小样本目标检测方法，该方法包括以下步骤：

获取待检测的图像，作为输入图像；通过预构建的小样本目标检测网络DMNet获取所述输入图像中各待检测目标对应的类别及回归框；所述回归框包括位置及宽高信息；

其中，DMNet包括多尺度特征提取网络、解耦表达转化模块、图像级度量学习模块、回归框预测模块；

所述多尺度特征提取网络，配置为提取所述输入图像的多尺度特征，并对提取的多尺度特征进行卷积处理，将卷积处理后的特征作为第一特征；

所述解耦表达转化模块基于第一卷积分支、分类分支、回归分支构建；

所述第一卷积分支用于对第一特征进行背景过滤，得到前景特征；

所述分类分支、所述回归分支均基于两个卷积层、一个可变形卷积层组成；所述分类分支、所述回归分支均用于结合所述前景概率，对所述第一特征进行卷积、可变形卷积，获取先验参考框及自适应的解耦表达特征，即得到分类先验参考框和分类解耦表达特征、回归先验参考框和回归解耦表达特征；