【技术实现步骤摘要】
本专利技术涉及目标检测领域，具体涉及一种小样本目标的检测方法、装置、设置及可读存储介质。
技术介绍
1、传统的目标检测方法对数据的依赖性很强，且泛化能力有限，在实际应用中，很难收集到足够多的、多样化的目标图像样本。这导致这些方法往往无法达到预期的精度，已经不能满足当前的需求。相比之下，小样本目标检测方法允许模型在有限的数据条件下进行有效的学习，这在水面垃圾检测的发展中尤为重要。
2、元学习已被证实是解决小样本问题的关键技术。通常，基于元学习的方法需要一个额外的支持分支来提取小样本类原型，然后检测器通过对类原型与查询特征之间的距离度量来进行分类和检测。整个过程中，类原型的质量对模型的检测性能有着直接的影响。支持分支的输入是矩形框注释下的目标图像，但目标对象并不会规则地填满整个矩形框，因此目标图像中将包含背景信息，而背景信息的存在将会影响后续提取到类原型的质量。
3、综上，现有的目标检测方法主要存在以下几点问题：(1)目标支持实例存在背景干扰；(2)提取到的类原型信息不够全面和纯净。(3)传统的目标检测方法对数据集依赖性强，泛化性差。
4、因此，亟需设计一种新的小样本目标检测方法检测方法，以解决上述问题。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术严重依赖数据的缺陷，提供一种小样本目标的检测方法。本方法只需在极少数的目标样本上调优训练即可实现较好的目标检测，且模型泛化性更强。
2、为了解决上述技术问题，本专利技术的技术方案
3、利用训练好的小样本目标检测模型对目标图片进行检测，输出目标检测结果；其中，
4、小样本目标检测模型的骨干网络之后增加有背景抑制模块、多尺度特征提取模块和综合原型金字塔蒸馏模块，所述背景抑制模块用于抑制支持特征中的背景特征；所述多尺度特征提取模块对背景抑制后的支持特征进行多尺度池化、融合；所述综合原型金字塔蒸馏模块用于对多尺度池化、融合后的特征进行层级蒸馏。
5、本专利的专利技术人发现，矩形框的中心往往是目标的核心特征区域。基于此，设计了一个轻量化的背景抑制模块，通过度量支持特征的周围与中心的特征相似性来抑制背景特征，从而为类原型的提取提供高质量的支持特征。因此，进一步，所述背景抑制模块的工作过程包括：
6、首先选取支持特征fs中心区域特征，并进行空间池化，得到核心特征fsc，
7、
8、其中，支持特征为支持图像经过骨干网络后得到的；(hc,wc)为支持特征fs的中心点坐标，α为决定中心区域大小的超参数；
9、然后将核心特征fsc与支持特征fs进行余弦相似性度量，将得到的相似度图中大于阈值β的特征判定为目标特征，将其置为1；
10、再将相似度图与支持特征fs进行相乘，得到噪声抑制后的支持特征图fsbs；
11、该过程的公式为：
12、
13、进一步，所述多尺度特征提取模块的工作过程为：
14、首先对噪声抑制后的支持特征图进行核大小为2，步长为2的空间平均池化、核大小为7，步长为7的空间平均池化以及全局平均池化；
15、然后将池化后的特征在空间维度进行拼接，得到多尺度特征fsi；公式为：
16、
17、其中，表示核大小为k，步长为s的平均池化函数；spatialconcatenate(·)表示维度拼接。
18、进一步，所述综合原型金字塔蒸馏模块的工作过程为：
19、以创建的特征查询向量q作为可学习的类嵌入向量，进行三层注意力计算，以第三层注意力计算结果attention3作为类原型；其中，
20、第一层计算公式为：
21、
22、第二层计算公式为：
23、
24、第三层计算公式为：
25、
26、w1、w2和w3分别表示第一层、第二层和第三层的线性层，将输入投入到dk维度，q＝{q1，q2，q3}，q1、q2和q3分别表示第一层、第二层和第三层的特征查询向量，每一层特征查询向量相互独立，且每个类之间的特征查询向量也相互独立。
27、进一步，获得训练好的小样本目标检测模型的步骤为，使用小样本目标检测数据集对小样本目标检测模型进行训练、调优及测试，得到训练好的小样本目标检测模型。
28、进一步，小样本目标检测数据集包括目标元训练集目标元调优数据集以及目标元测试集在目标元训练集mtrain上进行训练，在目标元调优数据集mfinetune上进行调优训练，在目标元测试集mtest上获得模型实验结果；其中，
29、titrain中的包括支持类实例和背景的查询图像q和代表类别i的支持集si的数据来源于包含大样本的基类数据集dbase；tifinetune和titest中的支持类实例和背景的查询图像q和代表类别i的支持集si的数据均来源于包含小样本的小样本目标数据集dnovel，其中基类数据集dbase包含基础类别cbase，小样本目标数据集dnovel包含小样本类别cnovel，且
30、本专利技术还涉及一种小样本目标的检测装置，用于采用小样本目标的检测方法检测目标。
31、本专利技术还涉及一种设备，包括：
32、存储器，用于存储计算机程序；
33、处理器，用于执行所述计算机程序，所述计算机程序被所述处理器执行时实现小样本目标的检测方法的步骤。
34、本专利技术还涉及一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现小样本目标的检测方法的步骤。
35、采用上述技术方案后，本专利技术具有以下有益效果：
36、1、专利技术在模型结构中设计了背景抑制模块、多尺度特征提取模块和综合原型金字塔蒸馏模块，背景抑制模块用于抑制支持特征中的背景特征，为后续提取类原型提供高质量的支持特征，多尺度特征提取模块对背景抑制后支持特征进行多尺度池化，可以捕获多尺度信息，综合原型金字塔蒸馏模块对多尺度特征进行层级蒸馏，可以提取更纯净的类原型；
37、2、背景抑制模块基于目标与背景的特征相似性度量的策略，有效地抑制了支持特征中的背景特征，为类原型的提取提供了更优的特征；
38、3、综合原型金字塔蒸馏模块采用金字塔层级蒸馏方法，对多尺度支持特征进行原型蒸馏，提取更为综合和纯净的类原型，以应对查询特征中不同尺度的目标匹配；
39、4、模型利用少量的目标数据进行训练，减少传统方法对大量标注数据的依赖。
本文档来自技高网...【技术保护点】
1.一种小样本目标的检测方法，其特征在于，
2.根据权利要求1所述的小样本目标的检测方法，其特征在于，
3.根据权利要求1所述的小样本目标的检测方法，其特征在于，
4.根据权利要求1所述的小样本目标的检测方法，其特征在于，
5.根据权利要求1所述的小样本目标的检测方法，其特征在于，
6.根据权利要求5所述的小样本目标的检测方法，其特征在于，
7.一种小样本目标的检测装置，其特征在于，
8.一种设备，其特征在于，
9.一种可读存储介质，其上存储有计算机程序，其特征在于，
【技术特征摘要】
1.一种小样本目标的检测方法，其特征在于，
2.根据权利要求1所述的小样本目标的检测方法，其特征在于，
3.根据权利要求1所述的小样本目标的检测方法，其特征在于，
4.根据权利要求1所述的小样本目标的检测方法，其特征在于，
5.根据权利...
【专利技术属性】
技术研发人员：王明亮，李宁，杨高朝，袁宝华，李博，
申请(专利权)人：常州大学，
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。