System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。