[发明专利]基于空间位置特征重加权的小样本目标检测方法及系统

权利要求书

1.基于空间位置特征重加权的小样本目标检测方法，其特征在于，包括以下步骤：

S1、将数据集中的类别划分为基类和新类类别，并按照C way K shot方法构造成小样本学习任务的形式，即支持集样本和查询样本；

S2、根据步骤S1得到的查询样本，通过基于目标完整性的特征融合模块，利用多个浅层特征且保留其中目标完整性的同时融合到深层特征中，得到包含丰富浅层特征信息的查询样本特征，融合方法具体为：

利用特征提取器的多个浅层特征，增加深层特征中包含的浅层信息量；根据得到的浅层特征信息进行融合，增加深层特征中包含的浅层信息量具体为：

选取特征提取器中最大池化操作前的三个不同尺度的浅层特征，最大、中等以及最小特征尺寸分别为104×104×128、52×52×256、26×26×512；将104×104×128、52×52×256、26×26×512三种尺寸的浅层特征分别输入到基于目标完整性的特征融合模块的最下层、中间层以及上层进行相应的处理；

浅层特征信息进行融合具体为：

将三个分支的输出的浅层特征进行通道维度的拼接，然后输入到卷积层和最大池化层中，得到目标结构完整的多个浅层特征信息，最后与深层特征进行相加，得到融合浅层信息的查询样本特征；

S3、根据步骤S2得到的查询样本特征，利用从步骤S1支持集样本中得到的C个不同类别的元特征与查询样本特征F求积，得到C个经过通道维度调整后的查询样本特征；

S4、根据步骤S3得到的查询样本特征，通过基于空间位置信息的特征调整模块得到包含空间位置信息的支持集样本元特征，利用支持集样本元特征对查询样本特征求内积，得到C个经过空间维度调整的查询样本特征，利用支持集样本元特征对查询样本特征求内积具体为：

S401、将支持集的样本S输入到元学习器中，选取元学习器中全局最大池化层之前的样本元特征作为模块的输入，对于每个类别的支持集样本元特征进行处理；

S402、将步骤S401处理后的支持集样本元特征进行通道维度的拼接，然后通过3×3的卷积进行通道维度的融合，最后经过BN层和Leaky ReLU激活函数层得到包含空间位置信息的支持集样本元特征

S403、求出C个类别的包含空间位置信息的支持集样本的元特征利用该元特征与对应类别的查询样本特征{F₁,F₂,…,F_i,…,F_C}求内积，得到经过通道维度和空间维度调整的查询样本特征

S5、根据步骤S4得到的查询样本特征，进行相应类别目标物体的分类和定位，实现小样本目标检测。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，查询样本表示为支持集样本表示为C为支持集样本中的类别个数，K为支持集样本中每个类别的样本个数，为第i个类别的查询样本,为第i个类别中的第j个支持集样本。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，特征融合模块位于查询样本特征提取器之后，最下层包括2个1×1和2个3×3的卷积层、一个批归一化层和一个LeakyReLU激活函数，中间层包括1个1×1的卷积层和1个3×3的卷积层、一个批归一化层和一个Leaky ReLU激活函数，最上一层不做任何操作，将三层输出拼接后，紧接一个3×3卷积层和一个最大池化层。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，特征调整模块位于元学习器之后，包括一个平均池化层、一个最大池化层，一个3×3的卷积层、一个BN层和Leaky ReLU激活函数层。

5.根据权利要求1所述的方法，其特征在于，步骤S401中，对于每个类别的支持集样本元特征进行处理具体为：

第i个类别的元特征表示对进行通道维度的平均池化操作，表示对进行通道维度的最大池化操作。

6.基于空间位置特征重加权的小样本目标检测系统，其特征在于，包括：

划分模块，将数据集中的类别划分为基类和新类类别，并按照C way K shot方法构造成小样本学习任务的形式，即支持集样本和查询样本；

融合模块，根据划分模块得到的查询样本，通过基于目标完整性的特征融合模块，利用多个浅层特征且保留其中目标完整性的同时融合到深层特征中，得到包含丰富浅层特征信息的查询样本特征，融合方法具体为：

利用特征提取器的多个浅层特征，增加深层特征中包含的浅层信息量；根据得到的浅层特征信息进行融合，增加深层特征中包含的浅层信息量具体为：

选取特征提取器中最大池化操作前的三个不同尺度的浅层特征，最大、中等以及最小特征尺寸分别为104×104×128、52×52×256、26×26×512；将104×104×128、52×52×256、26×26×512三种尺寸的浅层特征分别输入到基于目标完整性的特征融合模块的最下层、中间层以及上层进行相应的处理；

浅层特征信息进行融合具体为：

将三个分支的输出的浅层特征进行通道维度的拼接，然后输入到卷积层和最大池化层中，得到目标结构完整的多个浅层特征信息，最后与深层特征进行相加，得到融合浅层信息的查询样本特征；

调整模块，根据融合模块得到的查询样本特征，利用从支持集样本中得到的C个不同类别的元特征与查询样本特征F求积，得到C个经过通道维度调整后的查询样本特征；

计算模块，根据调整模块得到的查询样本特征，通过基于空间位置信息的特征调整模块得到包含空间位置信息的支持集样本元特征，利用支持集样本元特征对查询样本特征求内积，得到C个经过空间维度调整的查询样本特征，利用支持集样本元特征对查询样本特征求内积具体为：

将支持集的样本S输入到元学习器中，选取元学习器中全局最大池化层之前的样本元特征作为模块的输入，对于每个类别的支持集样本元特征进行处理；将处理后的支持集样本元特征进行通道维度的拼接，然后通过3×3的卷积进行通道维度的融合，最后经过BN层和Leaky ReLU激活函数层得到包含空间位置信息的支持集样本元特征求出C个类别的包含空间位置信息的支持集样本的元特征利用该元特征与对应类别的查询样本特征{F₁,F₂,…,F_i,…,F_C}求内积，得到经过通道维度和空间维度调整的查询样本特征

检测模块，根据计算模块得到的查询样本特征，进行相应类别目标物体的分类和定位，实现小样本目标检测。