[发明专利]一种基于类关系推理的濒危动物目标检测方法

说明书

本发明涉及目标检测技术领域，尤其涉及一种基于类关系推理的濒危动物目标检测方法。该方法建立了元学习器和基础检测器；元学习器以支撑图像为输入，经过主干网络和池化层后，经过类关系推理模块得到类别原型；将查询图像提取特征，得到特征图；通过区域提案网络RPN预测特征图中可能存在目标对象的候选区域，并利用ROIAlign对候选区域特征向量进行采样，将候选区域特征和类别原型输入特征聚合模块进行特征调整聚合，经过预测模块进行区域类别的预测和边界框的修正回归。本发明通过引入类关系推理，在类别判断和边界框回归之前通过聚合模块来对类别原型和候选区域特征进行聚合，可有效在濒危动物样本稀缺场景下的进行目标检测。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于类关系推理的濒危动物目标检测方法。

背景技术

给定一组类的集合，目标检测的主要任务是对待检测图像中属于给定类集合中的实例对象进行框选标记。目标检测作为计算机视觉领域的三项基本任务其中之一，已经受到社会各界的广泛关注，并被应用到众多的现实应用中，如智能监控、增强现实、自动驾驶等。随着人工智能技术的飞速进步，深度学习算法在目标检测领域取得的成功要归功于大规模数据集，当数据较为缺乏时，卷积网络会因为严重过拟合问题而削弱泛化能力，导致检测器的能力达到瓶颈。与此相反，人类智能的一个令人印象深刻的特点就是能够从一个或几个样例中快速构建对新事物的理解能力。在现实生活中，人类可以通过很少的图像学习识别未见过的目标物体，甚至儿童可以通过一次偶见就可以记住一个新单词。

从实际应用层面看，少样本条件下的目标检测方法主要有三个方面的重要意义。其一，少样本下的目标检测方法不依赖于大规模的训练样本，从而避免了在早期研究准备阶段获取数据所付出的高昂代价。其二，少样本下的算法研究可以缩短人类智能和人工智能在学习能力上的较大差距，是人工智能算法未来往更高智能方向发展的必经之路。其三，少样本下的目标检测算法研究可以实现一个新领域任务低成本和快速的模型实现，而这个任务可以只有几个可用的样本数据，这对任务早期潜在规律的探究也有一定的帮助。因此在濒危动物目标检测领域使用少样本目标检测方法非常适合，因为这个领域一方面很难获得大规模具有精确标签的数据，另一方面对这类数据进行标注工作也是十分耗费资源的。

当前在濒危动物场景下的目标检测研究工作通过在提供的每个类别的少量数据上提取高度概括每个类的类特征原型，利用类原型来为分类和回归子任务提供更多可用信息。如何充分挖掘能够高度概括类特征的原型，以及如何高效利用提取的类原型特征一直是当前研究工作未解决的问题，基于此问题，本发明提出基于类关系推理的濒危动物目标检测方法，该方法在两阶段目标检测框架的基础上，充分挖掘探索类之间的关系，提供类间信息用于分类和回归子任务。

虽然有部分工作已经对类似濒危动物场景的这种稀缺样本情况展开研究，但是数据的稀缺性仍然是影响检测器从稀缺样本中泛化的瓶颈。当数据变得稀缺时，目标对象的检测性能下降严重，主流方法在训练样本数量为1时的性能不到5或10时的性能的一半。如何提高模型在少样本场景下的检测性能，缓解检测性随样本减少而急剧下降的问题已经成为少样本研究领域的一大难题。

综上所述，从濒危动物这类数据稀缺的场景下，学习检测濒危动物目标正是该领域未来发展所需要的。同时，目前濒危动物场景下的目标检测算法在检测精确度上仍然有很大的提升空间，濒危动物领域的目标检测是具有重要意义的。

发明内容

本发明的目的是提供一种基于类关系推理的濒危动物目标检测方法，用于提高模型在少样本场景下的检测性能，解决濒危动物目标检测的检测性随样本减少而急剧下降的问题。

为了实现上述目的，本发明采用了如下技术方案：

本发明提供一种基于类关系推理的濒危动物目标检测方法，包括以下步骤：

该方法建立元学习器和基础检测器，且所述元学习器和基础检测器共享同一个主干网络；