[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

说明书

本发明公开了基于空间位置特征重加权的小样本目标检测方法及系统，按照基类和新类构造支持集和查询集样本；构造基于目标完整性的特征融合模块；构造基于空间位置信息的特征调整模块；使用两阶段的训练方式对整个网络进行训练，该网络包括特征提取器、基于目标完整性的特征融合模块、元学习器、基于空间位置信息的特征调整模块和检测层；在基类训练阶段，使用基类构造的支持集和查询样本训练；在小样本微调阶段，使用基类和新类构造的平衡数据集训练；输入新类的测试和支持集图像，得到检测结果；本发明利用多个浅层特征并维持目标结构的完整性，同时，通过生成包含空间位置信息的元特征，对查询样本特征进行空间维度的调整，提高目标检测效果。

技术领域

本发明属于计算机视觉技术领域，具体涉及基于空间位置特征重加权的小样本目标检测方法及系统。

背景技术

近几年，由于计算机硬件的快速发展，以及ImageNet等大规模带标签数据集的出现，人工智能得到了巨大的发展，使其在许多领域都超过了人类。但是，想要让人工智能像人类一样能够利用少量样本学习到新的知识并用于解决实际问题，仍然面临着许多问题与挑战。

深度学习作为一项数据驱动的技术，一般依赖于大量的训练数据才能使模型获得良好的结果。但在现实世界的真实场景中，收集大量的数据并进行相应的标注需要消耗专业人员大量的精力和时间，甚至在某些特殊的应用领域，例如罕见或重大疾病以及违禁物品的识别与检测等，标签的获取和制作过程都较困难。因此，让深度学习模型具有从少量样本中快速学习的能力成为国内外学者开始专注研究的问题，这一类问题被称为小样本学习。

目前，小样本学习方法的应用领域广泛，但基于小样本学习的目标检测领域的相关研究较少。目标检测是计算机视觉领域一个经典的任务，如何把经典的目标检测方法与小样本场景相结合也是一个研究的热点。随着小样本目标检测相关研究的深入，能够在数据匮乏的场景下解决目标检测问题，同时降低对数据的依赖，促进人工智能项目的落地，因此研究小样本场景下的目标检测任务具有一定的科研价值和实用价值。

早期，人们通过扩充样本数量来解决小样本目标检测的问题。由于原始数据集中的样本数量较少，样本的可扩充空间有限且生成的样本或特征过于相似，导致利用扩充后的数据集对模型进行训练后，模型的提升效果并不高。所以，现在更多地从学习策略出发，通过修改原始目标检测模型的结构，更多地利用少量有标签样本和待检测样本自身的信息。

目前的小样本目标检测方法主要是将小样本学习方法与成熟的目标检测框架相结合。具体可分为两种，第一种是使用度量学习的小样本学习方法，通过计算输入特征与其它类别特征之间的距离，判断输入图片所属类别，以此训练一个模块最为目标检测模型的分类头，从而实现小样本目标检测效果。第二种是使用元学习的小样本学习方法，通过在原始目标检测模型的基础上添加一个元学习器学习支持集样本的特征，并用该特征调整待检测样本的特征，然后对调整后的特征进行检测。第二种方法中的基于特征重加权的小样本目标检测方法(FODFR)，仅对查询样本特征进行通道维度的调整，忽略了空间信息对目标检测任务的重要性，且FODFR的原始目标检测框架的细粒度检测方法不适用于小样本目标检测场景。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供基于空间位置特征重加权的小样本目标检测方法及系统，解决了现有的基于元学习的小样本目标检测方法中，仅对查询样本的特征进行通道维度的调整，忽略目标物体的空间信息对检测的重要性，以及该目标检测框破坏了浅层特征中目标完整性的问题。

基于空间位置特征重加权的小样本目标检测方法，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；