[发明专利]一种基于小样本学习的目标检测方法、装置及存储介质

说明书

本申请公开了一种基于小样本学习的目标检测方法、装置及存储介质。涉及图像处理技术领域。该方法具体包括：电子设备采用神经网络对支持图像集和待检测图像进行特征提取，获得支持图像集的多个第一特征信息和待检测图像的第二特征信息。然后，电子设备基于多个第一特征信息对第二特征信息进行特征提取，获得待检测特征图。电子设备根据多个第一特征信息各自的特征向量生成第三特征信息，特征向量用于指示多个样本图像间的相关关系。然后，电子设备基于待检测特征图及第三特征信息确定待检测图像中的待检测目标。该方法用于解决现有小样本学习目标检测算法的识别精确度较低的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于小样本学习的目标检测方法、装置及存储介质。

背景技术

基于深度学习的图像目标检测算法通常采用大量的数据集作为训练集，以确保神经网络模型在随机场景下识别待检测目标的准确性。大量的数据集作为训练集，训练模型用时较长，模型训练效率较低。为此，提出基于小样本学习的目标检测算法，即使用少量样本数据集就可完成模型训练，从而提高模型训练效率。

目前小样本学习的目标检测算法识别待检测目标时存在严重的过拟合现象，目标检测的精确度较低。

发明内容

本申请提供了一种基于小样本学习的目标检测方法、装置及存储介质。用以解决现有小样本学习目标检测算法的识别精确度较低的问题。

第一方面，本申请提供了一种基于小样本学习的目标检测方法。该方法可应用于具有处理能力的电子设备，该方法具体包括：电子设备采用预设的神经网络对支持图像集和待检测图像进行特征提取，获得支持图像集的多个第一特征信息和待检测图像的第二特征信息。其中，待检测图像中包括待检测目标，支持图像集包括多个样本图样，每个样本图像中的目标的类型与待检测目标的类型相同，一个样本图像与一个第一特征信息对应，不同样本图像对应的第一特征信息不同。然后，电子设备基于多个第一特征信息对第二特征信息进行特征提取，获得待检测特征图。电子设备根据多个第一特征信息各自的特征向量生成第三特征信息，特征向量用于指示多个样本图像间的相关关系。然后，电子设备基于待检测特征图及第三特征信息确定待检测图像中的待检测目标。

在本申请实施例中，多个第一特征信息各自的特征向量生成第三特征信息包含了多个样本图像间的相关关系，即提取特征时，考虑了多个样本图像间的相关关系，从而利用样本图像间更多的信息进行目标识别，可以提高待检测目标识别的精确度。

可选的，第一特征信息包括三个维度上的特征信息，根据多个第一特征信息各自的特征向量生成第三特征信息，包括：对多个第一特征信息进行降维处理，得到多个第一特征向量，多个第一特征信息与多个第一特征向量一一对应。然后，对多个第一特征向量进行编码，获得多个第二特征向量。然后，根据多个第二特征向量生成第三特征向量，第三特征向量包括多个第二特征向量加权求和得到的特征信息。对第三特征向量进行升维处理，获得第三特征信息。

本申请实施例中的第一特征信息中包括多个维度的特征信息，电子设备将多个第一特征信息进行降维处理，以更加准确地提取多个第一特征信息间的相关关系。得到的多个第二特征向量又通过加权求和得到第三特征向量，使得多个第一特征信息中的相关关系能够结合在一起，得到的相关关系的信息更加准确。然后将根据相关关系得到的第三特征向量进行升维处理，使得第三特征向量用于后续的目标检测。多个第二特征向量通过加权求和得到第三特征向量时，为每个第二特征向量设置可学习的权重系数，在模型训练过程中，通过每次训练结果不断调整该权重系数，可以使得最终训练好的模型在实际用于目标检测时的准确度较高。

可选的，对多个第一特征向量进行编码，获得多个第二特征向量，包括：根据编码确定多个第一特征向量之间的关联信息，根据该关联信息与多个第一特征向量确定多个第二特征向量。