【技术实现步骤摘要】
本专利技术涉及计算机视觉中的目标检测领域，也涉及机器学习中的小样本学习技术。
技术介绍
1、目标检测任务要求模型识别给定图像中属于预定义类别集合的目标，并使用矩形框标注其位置，且给出相应的类别。真实世界场景中，在公开数据集上训练好的目标检测器表现往往不及预期，这是因为训练数据和部署环境之间存在较大的域差异，例如光照差异、不同的观测视角、雾雨天气的影响等。因此，提高目标检测模型的跨域识别能力是将其应用至更广泛场景的关键一步。
2、部署在真实世界中的目标检测模型，除了面临上述的域差异问题外，还很可能遇到不常见类别的目标，比如某些类别的图像采集困难或者标注成本高，导致难以获得大量训练样本。模型对这些类别的检测效果会大打折扣。为了解决这一问题，模型需要具备同人类幼儿相似的，从少量标注样本中快速学习的能力。
技术实现思路
1、本专利技术解决现有技术中一般目标检测模型在存在域差异的数据上检测能力不足的问题和不能快速学习少量类别数据的问题。
2、本专利技术为解决上述技术问题所采用的方案是，一种基于域类交叉记忆的跨域小样本目标检测方法，该方法的具体步骤为：
3、步骤1：初始化目标检测器，所述目标检测器包括：特征提取骨干、候选区域提议网络、关注区域池化层和关注区域检测头；输入图像首先经过特征提取骨干，特征提取骨干提取输入图像的特征，然后将提取到的特征输入给候选区域提议网络，候选区域提议网络得到候选区域，特征提取骨干的输出与候选区域提议网络的输出一输入给关注区域池化
4、步骤2：在样本数量充足的包含常见类别的源域数据上训练步骤1中已初始化的目标检测模型，训练损失表示如下：
5、
6、其中，和分别为候选区域提议网络的分类损失和检测框回归损失，和分别为输出最终检测结果的关注区域检测头的分类损失和检测框回归损失；
7、步骤3：使用常见类别的源域数据稀有类别的源域数据和常见类别的目标域数据将步骤2训练好的目标检测模型的无监督域适应至目标域上，优化目标为如下损失：
8、
9、其中，φ代表特征提取骨干和候选区域提议网络的可学习参数，θ代表关注区域检测头的可学习参数，(xi,bi,yi)分别为图片、检测框标注和类别标注；
10、步骤4：使用包含稀有类别的源域数据来微调步骤3中训练好的目标检测模型，以使模型捕捉稀有类别的相关信息，微调损失表示如下：
11、
12、步骤5：使用包含目标域信息的常见类别的数据和包含稀有类别信息的源域数据进一步微调步骤4训练所得的目标检测模型，以强化模型捕捉的目标域信息，并添加记忆巩固正则项来保留稀有类别信息，该步骤的微调损失表示如下：
13、
14、其中，代表记忆巩固正则项，λ为权衡正则强度的超参数，的具体计算如下：
15、
16、
17、其中,fii衡量每个参数对当前数据的重要性(计算方式见图2)，n为关注区域检测头的可学习参数的数量，代表步骤3中训练得到的目标检测器模型的关注区域检测头的可学习参数的第i项，p(x|φ,θ)代表目标检测器的关注区域检测头输出的分类概率分布；
18、步骤6：使用包含少量稀有类别样本的目标域数据微调步骤5中得到的检测器，得到最终的跨域小样本目标检测器，微调损失表示如下：
19、
20、步骤7：采用最终得到的目标检测器对新图像中的目标进行检测。
21、进一步的，所述步骤2中候选区域提议网络的分类损失和关注区域检测头的分类损失为交叉熵损失，候选区域提议网络的检测框回归损失和关注区域检测头的检测框回归损失为smooth l1损失。
22、本专利技术所提出的基于域类交叉记忆的跨域小样本目标检测算法，通过多步学习各部分数据，交叉巩固记忆样本数据中的域信息和类信息，实现了目标检测模型的跨域小样本检测。
本文档来自技高网...【技术保护点】
1.一种基于域类交叉记忆的跨域小样本目标检测方法，该方法的具体步骤为：
2.如权利要求1所述的一种基于域类交叉记忆的跨域小样本目标检测方法，其特征在于，所述步骤2中候选区域提议网络的分类损失和关注区域检测头的分类损失为交叉熵损失，候选区域提议网络的检测框回归损失和关注区域检测头的检测框回归损失为smooth L1损失。
【技术特征摘要】
1.一种基于域类交叉记忆的跨域小样本目标检测方法，该方法的具体步骤为：
2.如权利要求1所述的一种基于域类交叉记忆的跨域小样本目标检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：李宏亮，邱奔流，邱荷茜，王岚晓，赵泰锦，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。