[发明专利]一种基于全局注意力关系网络的小样本船舶目标识别方法

说明书

本发明提供一种基于全局注意力关系网络的小样本船舶目标识别方法，包括以下步骤：S1：使用Meta‑Learning数据划分方式生成小样本任务集，并进行模型加载及训练；S2：搭建跨目标全局注意力机制模型；S3：搭建基于跨目标全局注意力机制的RN网络结构；S4：使用Cosine距离度量样本特征相似度，并对距离长度进行比较目标样本特征；S5：使用训练优化方法训练网络。本发明提供的基于全局注意力关系网络的小样本船舶目标识别方法，能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现小样本船舶目标识别，在船舶工业与海事管理等领域有较好的使用前景。

技术领域

本发明涉及深度学习与计算机视觉领域，具体为一种基于全局注意力关系网络的小样本船舶目标识别方法。

背景技术

小样本目标识别的方法主要有两种策略：有监督情节式学习和无监督表征式学习。对于有监督情节式学习，是通过每个任务支持集(support)的少标签样本信息与查询集(query)样本进行特征比较，度量support和query中样本之间的距离，通过“参数更新”和“学习比较”，使学习适应新任务，旨在学习基于特征空间和分类识别的良好特征。对于无监督表征式学习，训练阶段利用无标注的数据进行学习，元测试阶段，有监督和无监督的设置相同，在支持集和查询集中均有部分辅助标注标签。为了进一步减少整体的标签学习过程，在元训练期间没有任何标签，降低数据的标签成本。除上述方法外，现在研究的表示学习与图神经网络(GNN)联系较为密切，大多数现有的图神经网络模型依赖于给定图的拓扑结构。在执行图卷积过程中，在给定的图形中直接从邻近聚合阶段特征，并堆叠多个GNN层以捕获远程节点的依赖性。上述方法，模型在训练过程中着重于建立最近的、最新的小样本任务近邻分类器，使用特征嵌入学习和特征间距离度量。然而，船舶目标识别在复杂海况及干扰条件(天气、光照、图像采集传感器)较大的情况下，训练的模型无法适应每个类别的特征任务，从而限制了泛化性能。

发明内容

本发明的目的是为了网络训练速度，避免网络出现过拟合现象的一种基于全局注意力关系网络的小样本船舶目标识别方法。

本发明的目的是这样实现的：

一种基于全局注意力关系网络的小样本船舶目标识别方法，包括以下步骤：

S1:使用Meta-Learning数据划分方式生成小样本任务集，并进行模型加载及训练；

S2:搭建跨目标全局注意力机制模型；

S3:搭建基于跨目标全局注意力机制的RN网络结构；

S4:使用Cosine距离度量样本特征相似度，并对距离长度进行比较目标样本特征；

S5:使用训练优化方法训练网络；

进一步的步骤S1包括以下步骤：

S1.1:将数据集训练划分为三个数据集：训练集，支持集和测试集。支持集和测试集共享相同的标签空间，但是训练集具有自己的标签空间，该标签空间与支持/测试集不相交；

S1.2:训练时在每次训练迭代中，通过从训练集中随机选择C个类别(其中每个类别有K个标记样本)来形成每个训练任务；

S1.3:每个训练任务的样本集合分为：

支持集：S＝{(x_i,y_i)},m_i＝1,m＝k×C；

查询集：Q＝{(x_i,y_i)},n_j＝1；

式中，C类样本的其余部分为未标记的样本。

进一步的步骤S2包括以下步骤：

S2.1:对特征提取f进行两支路卷积操作；