[发明专利]一种基于元学习方法的小样本目标检测方法

说明书

本发明公开了一种基于元学习方法的小样本目标检测方法，可实现小样本条件下的精确目标检测。发明主要包括：获取公开的目标检测数据集，进而构建训练集和测试集；构建基于元学习(Meta Learning)的小样本目标检测网络；使用训练集和测试集对基于元学习的小样本目标检测算法进行训练、验证与测试。本发明与当前主要的小样本目标检测算法相比，能够克服训练过程中对某些特定的样本类别的过拟合和欠拟合，同时在所有样本类别上有更高的检测精度，是一种更加高效及精确的小样本目标检测算法。

技术领域

本发明涉及一种基于元学习方法的小样本目标检测方法，适用于计算机视觉中的小样本目标检测技术领域。

背景技术

随着人类社会的发展，人类获取信息的重要来源逐渐变为图像和视频，其中基于大量图像视频样本进行深度学习的方法越来越成熟，但在工业界，还存在着大量的非常用类别的目标检测的需求，将目标识别技术应用于这些小众类别一个难题，其中面临最重要的难题有两方面：一方面是数据集的缺乏，即小众类别的数据样本量的缺乏；另一方面为高质量样本标注的获取，对于这些数据的标注工作不仅费时更需要一定的专业技术背景。基于以上两个困难，基于深度学习的目标检测技术在工业界的应用任然具有较大的挑战。如果从较少的工业目标数据中就能训练学习出一个性能相对不错的算法模型，则将大大利于工业目标检测的开展，因此开展基于少量样本条件下的目标检测研究是一项迫切的需求。因此开展小样本条件下的目标检测具有非常高的研究价值，在医疗、农业、海洋、军事等领域有着广泛的应用。

由于对于目标类别数据集较小，简单地对训练集增加深度学习的迭代次数以期望获得更高性能的检测模型不仅不会对检测模型的检测效果有过大的提升，反而会让检测模型在测试集上产生过拟合，导致模型的泛化能力降低，在测试样本上的检测精度降低。今年来元学习方法中模型无关的元学习架构在小样本学习领域崭露头角，其核心思想是通过将目标检测网络嵌入到元学习模型算法中，通过元学习的训练方式让检测模型在训练集上学会学习，对训练集的样本数据既不过拟合也不欠拟合，并将训练好的元学习模型在测试集上通过少量样本的有限次迭代使得检测模型能在测试集的新目标类别上获得不错的检测效果。

近年来，元学习方法开始在深度神经网络训练方面崭露头角，通过将深度神经网络模型嵌入到元训练框架中，可以让深度神经网络学会自主学习，同时可以实现深度神经网络模型对样本数据规模的敏感性降低，即基于元训练好的深度神经网络模型可以在较少的样本上进行再训练，并且达到收敛，从而获得在新样本上的优良性能。因此，本发明提出了一种基于元学习方法的小样本目标检测算法。

发明内容

针对现有的小样本目标检测问题，提出了一种基于元学习方法的小样本目标检测方法。主要内容包括：1)构建元学习流程，包括元训练阶段以及元测试阶段，具体而言，在元训练阶段加入FSDBO以减小同一批次中不同任务间的损失值不平衡问题，使得一个批次的损失值不受过拟合或欠拟合任务的主导，从而避免训练出的元学习模型有偏。具体而言，测试阶段包括在新的小样本类别上进行模型微调阶段以及检测精度验证阶段。2)同时构建了目标检测网络模型，该网络模型通过特征提取模块提取到输入图像的各种不同尺寸的特征图，并输入到特征融合模块进行不同尺度的特征融合，最后根据图像中实例的不同的尺寸自动分配到不同的特征层以输入到分类模块和回归模块进行实例的分类和位置边界框回归。在元测试阶段，通过在测试集的新的小样本类别上进行有限次的训练迭代，从而使模型在参数空间内能快速收敛到一个较优的位置，收敛到最优性能的模型对小样本检测的性能优于当前小样本目标检测领域的主流模型，具有更高的平均精度mAP，结果表明本发明能够有效提高小样本目标检测精度。

为了实现上述目的，本发明提供如下技术方案：

一种基于元学习方法的小样本目标检测算法，其特征在于，包括如下步骤：

步骤S1：获取小样本目标检测数据集，构建训练集和测试集；

步骤S2：构建基于元学习的小样本目标检测算法；