[发明专利]基于Faster RCNN改进的少样本目标检测方法

权利要求书

1.一种基于Faster RCNN改进的少样本目标检测方法，其特征在于，包括以下的步骤：

步骤1：将图像划分为支持集图像和查询集图像，其中支持集图像为少量几张包含目标样本的图像，其中样本已被标注，查询集包含未标注的样本，但其和支持集类别空间一致；

步骤2：将支持图像和查询图像输入权重共享的骨干网络进行特征提取，支持图像提取的特征定义为支持特征图，查询图像提取的特征定义为查询特征图；

步骤3：支持特征图和查询特征图分别通过CBAM(Convolutional Block AttentionModule)注意力模块生成对应的注意力特征图后，将得到的支持集注意力特征图进行均值池化和深度卷积，查询集注意力特征图进行深度卷积，再将新得到的两个结果进行深度互相关生成最终的注意力特征图，然后将注意力特征图输入区域候选网络(Region ProposalNetwork,RPN)网络生成查询候选框；

步骤4：将支持集注意力特征图和其真实的标签框经过ROI Pooling操作得到支持目标特征图，再将查询集注意力特征图和查询候选框经过ROI Pooling操作得到查询候选框特征图，再将支持目标特征图和查询候选框特征图送入全局-局部关系检测器进行特征匹配计算，以此得到相似度高的查询候选框特征图；

步骤5：将相似度高的查询候选框送入回归分支和基于余弦Softmax损失的分类器对目标对象进行定位和分类。

2.根据权利要求1所述的基于Faster RCNN改进的少样本目标检测方法，其特征在于，步骤3中CBAM注意力模块与RPN网络相结合形成CBAM-Attention-RPN网络，支持特征图和查询特征图先分别通过CBAM注意力模块，将得到的对应的注意力图进行均值池化和深度卷积操作，再将得到的两个结果做深度互相关以生成最终的注意力特征图。

3.根据权利要求1所述的基于Faster RCNN改进的少样本目标检测方法，其特征在于，步骤4中提出的全局-局部关系检测器，将支持注意力特征图和查询注意力特征图分别经过ROI Pooling操作后得到的支持目标特征图和查询候选框特征图进行全局-局部关系匹配，即采用全局关系和局部关系进行特征匹配，计算两者相似度并留下相似度高的查询候选框区域。

4.根据权利要求1所述的基于Faster RCNN改进的少样本目标检测方法，其特征在于，步骤5中采用基于余弦Softmax损失的分类器替换原有的Softmax分类器作为其分类分支，余弦Softmax损失如公式(3)所示，

其中，L_cos表示余弦Softmax损失；N是训练样本数，i＝{1,2,…,N}表示样本索引；C是类别数，j＝{1,2,…,C}表示类别索引，α表示比例因子，θ_yi,i和θ_j,i分别表示权重W的第y_i列和第j列与第i个样本的输入特征x_i之间的角度，y_i表示x_i对应的标签，L_cos以分类权重向量为中心聚拢同类样本特征，降低了类内方差，提高了对新类的检测精度。