[发明专利]一种基于迁移学习的小样本军事车辆轻量化检测方法

说明书

本发明公开了一种基于迁移学习的小样本军事车辆轻量化检测方法，首先，用轻量化模块构建轻量级目标检测网络，用大量已标注的民用车辆数据训练网络模型，得到基础模型；接着，以民用车辆的表征先验知识作为引导，用少量军事车辆样本对基础模型进行进一步的迁移学习，使网络学习对军事车辆的检测能力，获得最终的小样本检测模型；最后，将小样本检测模型在嵌入式计算平台上进行部署，利用嵌入式端在线纠错更新技术，增强检测算法进行场景应用的灵活性和鲁棒性。这种方法采用的网络结构、训练方式设计合理，针对军事车辆目标的检测效果良好，且算法能够满足在嵌入式平台上进行实时处理的需求。

技术领域

本发明涉及视频图像处理领域，尤其涉及一种基于迁移学习的小样本军事车辆轻量化检测方法。

背景技术

无人机拍摄具有视角灵活、时效性强、监视范围广等优点，使得无人机在各领域有着广泛的应用。车辆是无人机视野中的高价值目标，对其智能检测在民用、军事领域中均具备较高的应用价值。在军事领域，通过无人机能够对战场进行监视、侦查、战斗和评估伤害，利用无人机搭载的嵌入式设备检测识别军事车辆具有重要的研究意义，同时也是计算机视觉的热点方向之一，被国内外研究者所关注。

在无人机航拍图像目标检测方法的研究中，现有目标检测模型可分为传统模型和深度学习模型两大类。其中，深度学习模型相较于传统模型，检测结果更精确、检测效果更好，但仍存在以下几个方面的缺点和不足。

首先，虽然近年来深度学习在目标检测领域取得了长足的进展，但只有少部分模型能完成实时目标检测任务，而能在嵌入式平台上实时运行的网络更是寥寥无几。当前，R-CNN、YOLO、SSD系列算法在目标检测性能方面效果优异，但是其网络参数量巨大、对设备的算力要求高，仍难以在民用领域和军用领域被大规模应用。模型轻量化研究旨在以复杂度低的网络模型实现嵌入式设备上实时性的检测速度，并具有较高的检测准确率，实现速度与精度的最大平衡。而当前的轻量化目标检测算法为了实时性的实现，使得检测准确率仍远远不足。如何在保持实时检测速度的同时，进一步提高轻量化模型的检测精度是一个仍需解决的难题。

其次，深度学习目标检测方法在应用过程中需要利用大量标注样本学习回归检测框，具有很强的数据依赖性。随着人工智能应用在多种场景下的推进，训练样本不足导致检测效果欠佳的问题慢慢出现，特别是诸如无人机拍摄军事车辆目标的时敏性，导致实际中难以获得大量的样本数据用于模型训练。小样本目标检测算法旨在通过极少的标注样本来学习模型，使模型具有较好的检测性能。目前小样本目标检测方法主要以上述成熟的目标检测网络为基础，搭载的学习方法包括基于元学习的方法、基于模型结构的方法以及基于度量学习的方法。但由于现有的小样本学习方法计算复杂、方法繁琐，所需计算条件使其难以部署在嵌入式设备上进行实时检测，给嵌入式端的小样本目标检测应用带来了很大的困难。而现有嵌入式端适用的轻量级检测算法精度较差，难以利用小样本学习方法应对嵌入式端的小样本目标检测任务。

除此之外，常用的目标检测网络具有参数量庞大的主干网络和检测头，当出现检测识别错误时，这些算法只能通过离线微调的方式对网络进行进一步的参数迭代与优化。在当前的研究现状中，对嵌入式端的在线纠错与参数更新技术的研究仍处于比较欠缺的阶段，而嵌入式端在线纠错与更新技术具有很高的应用价值，因此具有重要的研究意义。

以上几项技术和难点本身已经是当前研究的前沿，更未有工作对以上几项技术进行综合集成与工程实施。

总之，现有技术的不足是模型参数量大、计算复杂度高，难以在边缘端嵌入式设备部署；数据依赖性强，需要大量人工标注的数据；兼容新类别难、无法在边缘端进行在线纠错和参数更新。

发明内容