【技术实现步骤摘要】
本专利技术涉及计算机视觉的目标检测领域，特别是涉及一种小样本目标检测方法和装置。
技术介绍
1、目标检测是计算机视觉方向的热点领域，任务是将图像中的感兴趣对象定位并识别出目标类别。目标检测作为计算机视觉的基本任务之一，应用广泛，其已经在人脸识别、农业病虫害识别和自动驾驶等领域发挥着重要的作用。现有的目标检测方法通常需要大量的标注图像用于模型训练，这需要花费大量的人力和物力来实现，而且在获得不了大量标注样本的情况下，往往效果不好。
2、近年来，深度学习领域快速发展，通过在已有的样本上训练神经网络模型，从而在新的样本上进行目标检测。目前常规的目标检测领域的研究已趋于成熟，但存在一个严重的问题是高度依赖于大规模的标注数据集，目标检测的性能受到数据集质量和大小影响。由于真实世界中的数据存在固有的长尾分布，大部分目标的样本数量都比较稀少，比如众多罕见疾病等，在实际场景当中很难获取到相应规模的高质量标注样本。当检索到的信息不足以拟合大量参数时，通常会发生过拟合，从而导致泛化性差，使得目标检测的准确度降低。
技术实现思路
1、基于此，本专利技术的目的在于，提供一种小样本目标检测方法和装置。
2、一种小样本目标检测方法，包括以下步骤：
3、s1：对样本图像进行特征提取，获得若干个特征图；
4、s2：对特征图进行特征融合，获得若干个融合特征图；
5、s3：对融合特征图进行目标检测，输出检测结果；
6、所述步骤s1包括以下子步骤：
7、s11：对样本图像进行特征提取，获得第一特征图；
8、s12：对第一特征图进行特征提取，获得第二特征图；
9、s13：对第二特征图结合自注意力机制和混合膨胀卷积进行特征提取，获得第三特征图。
10、本专利技术所述的小样本目标检测方法，在特征提取时结合自注意力机制和混合膨胀卷积，所述自注意力机制能够对特征图上的区域进行权重调整，在特征提取时关注更重要的信息，实现在更大范围内聚焦于重要区域；所述混合膨胀卷积能够获得不同的感受野尺寸，并由此获得不同尺度的特征信息。因此该方法既能处理局部的语义信息，又能考虑全局的语义依赖，有效提取样本图像的更多特征信息，从而提高小样本目标检测任务的性能。
11、进一步地，所述步骤s13包括以下子步骤：
12、s131：对第二特征图进行卷积处理，获得卷积特征图；
13、s132：对卷积特征图进行卷积、自注意力机制和加权结合处理，获得sac特征图；
14、s133：对sac特征图进行卷积、池化和拼接处理，获得sppf特征图；
15、s134：对sppf特征图进行卷积和拼接处理，获得第三特征图。
16、进一步地，所述步骤s132包括以下子步骤：
17、s1321：通过3个1*1卷积核对卷积特征图进行卷积处理，获得3组均具有n个特征映射的中间特征组；
18、s1322a：对中间特征组进行自注意力机制计算，获得若干个自注意力特征图；
19、s1322b：对中间特征组进行混合膨胀卷积处理，获得若干个膨胀卷积特征图；
20、s1323：对自注意力特征图和膨胀卷积特征图进行加权处理，获得sac特征图。
21、进一步地，所述步骤s134包括以下子步骤：
22、s1341：分别用两个卷积核对sppf特征图进行卷积处理，获得第一卷积图和第二卷积图；
23、s1342：对第二卷积图进行混合膨胀卷积处理，并将结果进行平均池化，获得膨胀卷积图；
24、s1343：将第一卷积图和膨胀卷积图进行拼接和卷积处理，获得第三特征图。
25、进一步地，所述步骤s2包括以下子步骤：
26、s21：对第三特征图进行卷积和上采样处理，然后与第二特征图进行拼接和卷积处理，获得拼接特征图；
27、s22：对拼接特征图进行卷积和上采样处理，然后与第一特征图进行拼接和卷积处理，获得第一融合特征图；
28、s23：对第一融合特征图进行卷积处理，然后与拼接特征图进行拼接和卷积处理，获得第二融合特征图；
29、s24：对第二融合特征图进行卷积处理，然后与经过卷积处理的第三特征图进行拼接和卷积处理，获得第三融合特征图。
30、进一步地，所述第二特征图和第一特征图在进行拼接处理之前，先进行块融合(patch merging)和自注意力机制处理。
31、并且，本专利技术还提供一种小样本目标检测装置，包括骨干网络、颈部网络和头部网络，所述骨干网络用于对样本图像进行特征提取，获得若干个特征图；所述颈部网络用于对特征图像进行特征融合，获得若干个融合特征图；所述头部网络用于对融合特征图像进行目标检测，输出检测结果；所述骨干网络包括
32、第一特征提取单元，用于对样本图像进行特征提取，获得第一特征图；
33、第二特征提取单元，用于对第一特征图进行特征提取，获得第二特征图；
34、第三特征提取单元，用于对第二特征图进行特征提取，获得第三特征图。
35、进一步地，所述第三特征提取单元包括
36、cbs模块，用于对第二特征图进行卷积处理，获得卷积特征图；
37、sac模块，用于对卷积特征图进行卷积、自注意力机制和加权结合处理，获得sac特征图；
38、sppf模块，用于对sac特征图进行卷积、池化和拼接处理，获得sppf特征图；
39、c3dconv模块，用于对sppf特征图进行卷积和拼接处理，获得第三特征图。
40、进一步地，所述sac模块包括
41、特征重组分模块，用于通过3个1*1卷积核对卷积特征图进行卷积处理，获得3组均具有n个特征映射的中间特征组；
42、自注意力分模块，用于对中间特征组进行自注意力机制计算，获得若干个自注意力特征图；
43、混合膨胀卷积分模块，用于对中间特征组进行混合膨胀卷积处理，获得若干个膨胀卷积特征图；
44、加权结合分模块，用于对自注意力特征图和膨胀卷积特征图进行加权处理，获得sac特征图。
45、进一步地，所述c3dconv模块包括
46、第一卷积核，用于对sppf特征图进行卷积处理，获得第一卷积图；
47、第二卷积核，用于对sppf特征图进行卷积处理，获得第二卷积图；
48、混合膨胀卷积核，用于对第二卷积图进行混合膨胀卷积处理，并将结果进行平均池化，获得膨胀卷积图；
49、第三卷积核，用于将第一卷积图和膨胀卷积图进行拼接和卷积处理，获得第三特征图。
50、为了更好地理解和实施，下面结合附图详细说明本专利技术。
本文档来自技高网...【技术保护点】
1.一种小样本目标检测方法，包括以下步骤：
2.根据权利要求1所述的小样本目标检测方法，其特征在于：所述步骤S13包括以下子步骤：
3.根据权利要求2所述的小样本目标检测方法，其特征在于：所述步骤S132包括以下子步骤：
4.根据权利要求3所述的小样本目标检测方法，其特征在于：所述步骤S134包括以下子步骤：
5.根据权利要求4所述的小样本目标检测方法，其特征在于：所述步骤S2包括以下子步骤：
6.根据权利要求5所述的小样本目标检测方法，其特征在于：所述第二特征图和第一特征图在进行拼接处理之前，先进行块融合(patch merging)和自注意力机制处理。
7.一种小样本目标检测装置，包括骨干网络、颈部网络和头部网络，所述骨干网络用于对样本图像进行特征提取，获得若干个特征图；所述颈部网络用于对特征图像进行特征融合，获得若干个融合特征图；所述头部网络用于对融合特征图像进行目标检测，输出检测结果；其特征在于：所述骨干网络包括
8.根据权利要求7所述的小样本目标检测装置，其特征在于：所述第三特征提取单元
9.根据权利要求8所述的小样本目标检测装置，其特征在于：所述SAC模块包括
10.根据权利要求8或9所述的小样本目标检测装置，其特征在于：所述C3DConv模块包括
...【技术特征摘要】
1.一种小样本目标检测方法，包括以下步骤：
2.根据权利要求1所述的小样本目标检测方法，其特征在于：所述步骤s13包括以下子步骤：
3.根据权利要求2所述的小样本目标检测方法，其特征在于：所述步骤s132包括以下子步骤：
4.根据权利要求3所述的小样本目标检测方法，其特征在于：所述步骤s134包括以下子步骤：
5.根据权利要求4所述的小样本目标检测方法，其特征在于：所述步骤s2包括以下子步骤：
6.根据权利要求5所述的小样本目标检测方法，其特征在于：所述第二特征图和第一特征图在进行拼接处理之前，先进行块融合(patch merg...
【专利技术属性】
技术研发人员：陈壹华，徐芳，陈榕榕，曾易文浩，杨明樟，
申请(专利权)人：华南师范大学，
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。