基于小波并行深度元学习的小样本水面目标检测方法技术

本发明专利技术公开了基于小波并行深度网络元学习的目标检测方法，包括：步骤1：构建结合神经网络的元学习框架；步骤2：将图像训练集分为两个部分；步骤3：通过预处理训练集对元学习框架进行训练；步骤4：在步骤3训练后的元学习框架基础上，将普通训练集中的图像作为查询集对元学习框架进行训练，完成元学习框架的训练；步骤5：将实时图像放入训练完成的元学习框架对图像中目标进行检测。本发明专利技术结合了神经网络和元学习的优势，使得训练速度更快、训练的准确率更高；同时引入了多分辨率分析的思想，在多种分辨率下加强了图像特征，进一步提高了针对水面目标的检测效果。水面目标的检测效果。水面目标的检测效果。

【技术实现步骤摘要】
基于小波并行深度元学习的小样本水面目标检测方法


[0001]本专利技术涉及目标检测
，具体涉及一种基于小波并行深度元学习的小样本水面目标检测方法。

技术介绍

[0002]小波神经网络是小波变换与神经网络有机结合起来的一种前馈型神经网络模型。对于非平稳信号小波神经网络表现出优异的变焦能力和时频局部特性，对预测精度的提高起到帮助作用。小波神经网络结合小波分析理论与人工神经网络优点，因而在图像逼近和处理非线性问题方面有着很强的优势。
[0003]元学习(Meta
‑
Learning)主要解决学会学习的问题，即利用以往的知识经验来指导新任务的学习，使网络具备学会学习的能力。结合元学习进行目标检测通常存在模型泛化能力不够强、网络收敛速度慢的问题，在小样本情况下，问题更为突出。
[0004]目标检测是图像分割、目标跟踪等计算机视觉任务的基础。目前主流的目标检测算法有两种：基于区域建议的双阶段目标检测算法R
‑
CNN、Faster R
‑
CNN等和基于回归分析的单阶段目标检测算法，如YOLO系列、RetinaNet、EfficientDet等。目前基于深度学习模型的目标检测算法，其检测效果的好坏很大程度上取决于数据集的质量和数量，因此会导致模型泛化能力差、网络收敛速度慢的问题。

技术实现思路

[0005]针对现有技术中的不足，本专利技术提供了一种基于小波并行深度元学习的小样本水面目标检测方法，以解决现有技术中检测效率低、检测精度低、泛化能力差的技术问题。
[0006]本专利技术提供了一种基于小波并行深度元学习的小样本水面目标检测方法，包括如下步骤：
[0007]步骤1：构建结合神经网络的元学习框架，具体为：设置元学习训练任务目标为根据给定图中的标注信息预测其他图中的标注信息；将两个神经网络分别作为元学习框架的网络编码器、节点估值器；
[0008]步骤2：将图像训练集分为两个部分，对其中一部分图像训练集进行预处理，形成预处理训练集；另一部分图像训练集不做预处理，形成普通训练集，其中，预处理过程为：
[0009]对输入图像进行多分辨率分析，获得4张与输入图像不同分辨率的子图像；
[0010]步骤3：通过预处理训练集对元学习框架进行训练，具体为：将原图像作为输入图像；将原图像的3张子图像作为支持集；将原图像的另1张子图像作为查询集，对元学习框架进行训练；
[0011]步骤4：在步骤3训练后的元学习框架基础上，将普通训练集中的图像作为查询集对元学习框架进行训练，完成元学习框架的训练；
[0012]步骤5：将实时图像放入训练完成的元学习框架对图像中目标进行检测。
[0013]进一步地，所述步骤1中，选择两个相同的神经网络分别作为元学习框架的网络编
码器、节点估值器，或选择两个不同的神经网络分别作为元学习框架的网络编码器、节点估值器。
[0014]进一步地，所述步骤1中，用多级小波池化结构作为神经网络中相邻卷积层之间的池化层；用小波函数作为全连接层的激活函数，用母小波函数作为隐层节点的传递函数。
[0015]进一步地，多级小波池化结构包括图像多分辨率分析和子带重组两个部分。
[0016]进一步地，多级小波池化结构从第一个卷积层开始，利用两种不同的小波基函数对输入图像进行多分辨率分析，生成四个小波变换子带LL、LH、HL和HH作为输出，将4个子带任意组合连接到下一层卷积，形成4个并行通道，每一个通道均具有池化的功能，通过节点估值器的评估结果选择最优的通道。
[0017]进一步地，所述步骤2中对输入图像进行多分辨率分析的具体过程为：先对输入图像进行行分解，得到图像在水平和垂直方向上的低频分量、图像在水平方向上的低频和垂直方向上的高频分量、图像在水平方向上的高频和垂直方向上的低频分量、图像在水平和垂直方向上的高频分量，再对这4组分量分别重构，得到4张与输入图像不同分辨率的子图像。
[0018]进一步地，所述步骤3中，对元学习框架进行训练，每一轮的元学习训练任务如下：
[0019]S
m
＝{(v1，y1)，(v2，y2)，...，(v
N
×
K
，y
N
×
K
)}
[0020][0021]T
m
＝{S
m
，Q
m
}
[0022]其中，T
m
表示元学习训练任务，S
m
表示支持集，Q
m
表示查询集，N表示数据集的类别数量，K表示支持集S
m
所包含每个类的节点数量，M表示查询集T
m
所包含每个类的节点数量，(v
i
，y
i
)表示每个类的节点，以坐标形式给出。
[0023]本专利技术的有益效果：
[0024]1.一种基于小波并行深度元学习的小样本水面目标检测方法，结合了神经网络和元学习的优势，使得训练速度更快、训练的准确率更高；同时引入了多分辨率分析的思想，在多种分辨率下加强了图像特征，进一步提高了针对水面目标的检测效果。
[0025]2.一种基于小波并行深度元学习的小样本水面目标检测方法，构建了一种新的元学习训练框架有效的提高了深度学习神经网络的训练速度，进一步提高了效率。
[0026]3.一种基于小波并行深度元学习的小样本水面目标检测方法，构建了结合注意力机制和Softmax归一化的评估方法，对元学习的训练效果进行评估，使网络更快收敛，更加容易达到最优参数。
[0027]4.一种基于小波并行深度元学习的小样本水面目标检测方法，在神经网络结构中构建了多级小波池化结构，优化了传统神经网络中的池化层，设计了并行的池化通道，不仅保留低频率的信息，也保留高频率的信息，既防止输入图像丢失信息，又防止图像尺寸一直增大，进一步提高了目标检测的速度和准确率。
[0028]5.一种基于小波并行深度元学习的小样本水面目标检测方法，充分利用小波并行图像预处理的输出结果，将其划分为训练集和支持集，在训练中引入元学习的思想构建学习任务，预测给定图中的顶点标签，并筛选出损失最低的图像进行训练，使模型更准确的利用先验信息，提高模型的泛化能力。
附图说明
[0029]通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：
[0030]图1是本专利技术具体实施例的流程图；
[0031]图2是本专利技术具体实施例结合神经网络的元学习框架示意图；
[0032]图3是本专利技术具体实施例构建的小波并行图像预处理示意图；
[0033]图4是本专利技术具体实施例构建的多级并行小波池化结构示意图；
[0034]图5是本专利技术具体实施例对图像进行多分辨分析后的结果图示；
[0035]图6是本专利技术具体实施例结合元学习的神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，包括如下步骤：步骤1：构建结合神经网络的元学习框架，具体为：设置元学习训练任务目标为根据给定图中的标注信息预测其他图中的标注信息；将两个神经网络分别作为元学习框架的网络编码器、节点估值器；步骤2：将图像训练集分为两个部分，对其中一部分图像训练集进行预处理，形成预处理训练集；另一部分图像训练集不做预处理，形成普通训练集，其中，预处理过程为：对输入图像进行多分辨率分析，获得4张与输入图像不同分辨率的子图像；步骤3：通过预处理训练集对元学习框架进行训练，具体为：将原图像作为输入图像；将原图像的3张子图像作为支持集；将原图像的另1张子图像作为查询集，对元学习框架进行训练；步骤4：在步骤3训练后的元学习框架基础上，将普通训练集中的图像作为查询集对元学习框架进行训练，完成元学习框架的训练；步骤5：将实时图像放入训练完成的元学习框架对图像中目标进行检测。2.如权利要求1所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤1中，选择两个相同的神经网络分别作为元学习框架的网络编码器、节点估值器，或选择两个不同的神经网络分别作为元学习框架的网络编码器、节点估值器。3.如权利要求1或2所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤1中，用多级小波池化结构作为神经网络中相邻卷积层之间的池化层；用小波函数作为全连接层的激活函数，用母小波函数作为隐层节点的传递函数。4.如权利要求3所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，多级小波池化结构包括图像多分辨率分析和子带重组两个部分。5.如权利要求4所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，多级小波池化结构从第一个卷...

【专利技术属性】
技术研发人员：仲伟波，彭元堃，杜运本，宋祖洋，仲晓石，郑若溪，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：