[发明专利]基于多视角学习与元学习的小样本目标检测方法

权利要求书

1.基于多视角学习与元学习的小样本目标检测方法，其特征在于，包括下述步骤：

构建小样本目标检测模型，采用两阶段训练方式的小样本目标检测模型作为目标检测器；所述的两阶段训练方式分为预训练阶段与模型微调阶段，所述预训练阶段与模型微调阶段所使用的训练集不同，预训练阶段使用所有基础类别样本，让模型在大量基础类别样本中学习到图像的普遍特征；在模型微调阶段，模型将学习到的基础类别样本的特征迁移至小样本类别的特征学习上；所述目标检测器包括主干网络、候选框提取器、候选框池化层、候选框特征卷积层、回归器、分类器和高信度特征对比学习器；

基于多视角学习的类间样本对采样法，采用类别平衡的原则，将基础类别数据集划分为多个基础类别子数据集，每个子数据集中的样本数目与小样本类别样本数相等，分别组合每个基础类别子数据集和小样本类别样本，得到多个组合后的单视角混合数据集，即多视角数据集。

基于高信度深层特征的特征对比学习法，在小样本目标检测模型微调阶段，将多视角数据集输入小样本目标检测模型，高信度特征对比学习器选择出基础类别和小样本类别的高信度特征，根据高信度特征之间的欧式距离构建损失函数，实现基础类别和小样本类别的类内与类间的特征对比学习；

基于元学习的模型参数训练法，在小样本目标检测模型微调阶段，将多视角数据集输入小样本目标检测模型，分别得到基础类别与小样本类别的损失值，计算损失值对应的梯度并回传更新小样本目标检测模型的参数。

2.根据权利要求1所述基于多视角学习与元学习的小样本目标检测方法，其特征在于，所述预训练好的检测器采用两阶段检测器Faster-RCNN。

3.根据权利要求1所述基于多视角学习与元学习的小样本目标检测方法，其特征在于，所述主干网络采用ResNet-101网络架构。

4.根据权利要求1所述的基于样本多视角学习与元学习的小样本目标检测方法，其特征在于，在构建小样本目标检测模型后，先使用基础类别数据集对小样本目标检测模型进行预训练，再用多视角数据集进行小样本目标检测模型微调操作。

5.根据权利要求1所述基于多视角学习与元学习的小样本目标检测方法，其特征在于，所述基于多视角学习的类间样本对采样法，具体为：

多视角数据集D由基础类别数据集D_base和小样本类别数据集D_novel构成，分别表示为：

其中，分别表示第i个基础类别样本和第j个小样本类别样本，x表示样本，i，j表示样本编号，base，hovel分别表示基础类别和小样本类别，N₁，N分别表示基础类别样本总数和小样本类别样本总数，且N₁＞＞N；

采用和分别表示第i个基础类别和第j个小样本类别，C表示类别，i，j表示样本编号，base，novel分别表示基础类别和小样本类别；

从基础类别和小样本类别中各采样不同的N个样本，得到M个基础类别的子数据集与1个小样本类别的数据集，将每个基础类别的子数据集与小样本类别数据集组合得到单视角的混合数据集，采样完成后得到M个视角的多视角数据集，采用D_all表示多视角数据集，表示为：

D_all＝{D₁，D₂，...，D_M}

其中，D_i表示第i个视角的混合数据集。

6.根据权利要求5所述基于多视角学习与元学习的小样本目标检测方法，其特征在于，在小样本目标检测模型微调阶段，依次将多个单视角混合数据集放入网络进行训练。