【技术实现步骤摘要】
本专利技术涉及计算机视觉目标检测，尤其涉及一种基于自适应特征生成的小样本目标检测方法。
技术介绍
1、目标检测是获取图像中的目标物体定位和类别的一种方法，是计算机视觉领域重要的应用之一。区别于传统的目标检测方法需要每个类有大量的标签，小样本目标检测方法使用非常有限的带标签数据来检测新类样本。给定一组不相交的具有大量标签的基类样本，利用从基类样本学到的知识和有限的新类标签准确检测新类的定位和类别。一种简单有效的小样本目标检测方法是基于两阶段策略，第一阶段只使用基类样本预训练faster-rcnn检测器，第二阶段使用包含新类和基类的类平衡样本对faster-rcnn检测器进行微调。
2、这种经典的检测策略主要解决了类间的知识迁移问题，但未能解决新类的特征多样性缺乏问题，由于缺乏特征多样性，检测器中的分类器层更容易出错。为了克服这个问题，采用特征生成策略来丰富新类的特征多样性，改善分类器层的性能，这些方法所获得的性能增益表明合成新的特征有利于对检测器进行微调。
3、受到大模型clip参与low-shot学习中特征生成任务的启发，提出从预训练的clip文本编码器中捕获强大的语义嵌入。这些语义嵌入可以引导生成器为新类生成可靠的感兴趣区域(roi)特征。然而，这种方式忽略了合成特征与真实特征之间的分布偏移。克服分布偏移成为特征生成范式的核心挑战。
技术实现思路
1、本专利技术公开了一种基于自适应特征生成的小样本目标检测方法，以克服上述技术问题。
2、为了实现
3、一种基于自适应特征生成的小样本目标检测方法，包括如下步骤：
4、步骤100：将包括多个数据类别的带标注的原始数据集划分为训练集和测试集；并根据训练集中的所述数据类别中的原始数据的数量，将训练集划分为基类训练样本和若干训练样本；在所述基类训练样本中随机获取与新类训练样本的数量相同的基类训练子样本，以获取包括所述新类训练样本和基类训练子样本的few-shot训练样本；
5、步骤200：根据所述基类训练样本，基于faster-rcnn检测器的损失函数，对faster-rcnn检测器进行训练，获取训练后的faster-rcnn检测器；
6、步骤300：对所述基类训练样本和few-shot训练样本进行实例级裁剪，获取基类实例训练样本和few-shot实例训练样本；
7、步骤400：根据所述基类实例训练样本，基于自适应的变分自编码器的损失函数，对自适应的变分自编码器进行训练，以根据训练后的自适应的变分自编码器，获取基类实例训练样本的重构特征；
8、步骤500：根据训练后的faster-rcnn检测器和基类实例训练样本，获取与基类实例训练样本对应的第一真实的roi特征，以根据所述基类实例训练样本的重构特征和roi特征生成器，获取对齐的基类实例训练样本的合成特征，并基于roi特征生成器的损失函数，对roi特征生成器进行训练；
9、步骤600：根据训练后的faster-rcnn检测器和few-shot实例训练样本，获取与few-shot实例训练样本对应的第二真实的roi特征；以根据对齐的基类实例训练样本的合成特征，对训练后的roi特征生成器进行微调，获取微调后的roi特征生成器；
10、步骤700：根据所述基类训练样本、新类训练样本、训练后的自适应的变分自编码器、微调后的roi特征生成器，获取新的合成特征；以根据所述新的合成特征和few-shot实例训练样本，对训练后的faster-rcnn检测器进行微调，并根据测试集对微调后的faster-rcnn检测器进行评估；进而根据评估后的微调后的faster-rcnn检测器，实现对小样本目标进行检测。
11、进一步的，所述步骤400中的基于自适应的变分自编码器的损失函数为：
12、，
13、式中：表示自适应vae的损失函数值；表示重构损失；表示kullback-leibler散度的损失函数；表示解码器的期望对数似然；表示vae的解码器； kl表示kullback-leibler散度；表示vae编码器；表示服从标准正态分布的先验分布；表示均值为0方差为1的标准正态分布。
14、进一步的，所述基类训练样本和新类训练样本之间的关系为： n基类» n新类，
15、式中： n基类表示基类训练样本中的每个数据类别中的原始数据的数量； n新类表示新类训练样本中的每个数据类别中的原始数据的数量； »表示远远大于。
16、进一步的，所述步骤200中，所述faster-rcnn检测器的构成采用如下公式进行表示：
17、，
18、式中：表示faster-rcnn检测器； x表示待检测样本图像；表示分类与回归层；表示函数复合运算；表示感兴趣区域池化网络；表示区域提议网络；表示骨干网络。
19、进一步的，所述步骤200中，所述faster-rcnn检测器的损失函数如下： l base= l rpn+ l cls+ l loc
20、式中： l base表示faster-rcnn检测器的总损失函数； l rpn表示区域提议网络的损失； l cls表示分类损失； l loc表示定位损失。
21、进一步的，所述步骤400中，获取基类实例训练样本的重构特征的方法如下：
22、步骤401：根据所述基类实例训练样本和预训练且固定参数的clip图像编码器，获取基类实例训练样本的视觉特征 v；
23、步骤402：根据变分自编码器vae的编码器和基类实例训练样本的视觉特征 v，获取基类实例训练样本的空间编码 z；以将基类实例训练样本的空间编码 z经过三层全连接层，获取局部偏差 r，进而获取添加局部偏差后的提示集合；所采用公式如下：
24、，
<本文档来自技高网...【技术保护点】
1.一种基于自适应特征生成的小样本目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤400中的基于自适应的变分自编码器的损失函数为：
3.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述基类训练样本和新类训练样本之间的关系为：n基类»n新类；
4.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤200中，所述Faster-RCNN检测器的构成采用如下公式进行表示：
5.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤200中，所述Faster-RCNN检测器的损失函数如下：Lbase=Lrpn+Lcls+Lloc
6.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤400中，获取基类实例训练样本的重构特征的方法如下：
7.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在
8.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，对训练后的RoI特征生成器进行微调所采用公式如下：
9.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤700中，获取新的合成特征所采用公式如下：
10.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤700中，对训练后的Faster-RCNN检测器进行微调所采用公式如下：
...【技术特征摘要】
1.一种基于自适应特征生成的小样本目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤400中的基于自适应的变分自编码器的损失函数为：
3.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述基类训练样本和新类训练样本之间的关系为：n基类»n新类；
4.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤200中，所述faster-rcnn检测器的构成采用如下公式进行表示：
5.根据权利要求1所述的一种基于自适应特征生成的小样本目标检测方法，其特征在于，所述步骤200中，所述faster-rcnn检测器的损失函数如下：lbase=lrpn+lcls+lloc...
【专利技术属性】
技术研发人员：隋金坪，王义涛，史红权，陈行军，苏琦，刘宇，刘禄，贾棋，姚水连，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
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。