[发明专利]一种基于元学习的增量小样本目标检测方法

说明书

本发明涉及一种基于元学习的增量小样本目标检测方法，包括以下步骤：1)构建增量小样本目标检测模型，该模型包括特征提取器、目标定位器以及元学习器；2)对增量小样本目标检测模型进行训练；3)根据训练好的增量小样本目标检测模型进行新目标定位和分类。与现有技术相比，本发明具有样本需求少、克服遗忘、保护数据隐私等优点。

技术领域

本发明涉及目标检测领域，尤其是涉及一种基于元学习的增量小样本目标检测方法。

背景技术

目前，基于卷积神经网络的目标检测方法取得了重大进展，其中一个非常重要的原因在于拥有充足的经过人工标注的数据。但是，人类具备而传统目标检测器不具备的一个能力就是根据少量数据进行快速学习的能力，因此，需要一种采用元学习的训练方式，使得目标检测器能够从充足的基础类别的数据中学习到一种模式，使得该目标检测器能够根据少量的新类别的数据学习到识别新类别物体的能力。

现阶段有效的小样本目标检测方法可以分为以下两个类别：

(1)基于度量学习的小样本目标检测方法：通过度量支持集(support set)中的图像与查询集(query set)中的图像之间的距离来识别检测框的类别；

(2)基于权重生成的小样本目标检测方法：通过学习生成模型中某些层的权重，使得模型能够通过少量新类别的样本学习到对新类别的检测能力。

然而这些方法要求目标检测器在学习识别新的类别时，不仅要使用新类别的样本，还需要使用基础类别的样本，这造成了训练时间开销问题以及基础类别数据的存储和隐私问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于元学习的增量小样本目标检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于元学习的增量小样本目标检测方法，用以使得目标检测器增量地学习到在新类别上的检测能力，包括以下步骤：

1)构建增量小样本目标检测模型，该模型包括特征提取器、目标定位器以及元学习器；

2)对增量小样本目标检测模型进行训练；

3)根据训练好的增量小样本目标检测模型进行新目标定位和分类。

所述的步骤1)中，特征提取器用以将经过数据增强后的图像作为输入，提取该图像的抽象特征，所述的目标定位器以特征提取器的抽象特征为输入，包含三个并行的工作端，即热力图端、尺寸端和补偿端，并分别输出热力图、尺寸图和补偿图，所述的元学习器用以实现元学习。

所述的热力图为大小的张量，包含图像中可能包含物体的位置、物体的类别以及置信度信息，所述的尺寸图为大小的张量，包含抽象特征上每一个点对应目标的尺寸信息，所述的补偿图为大小的张量，包含抽象特征上每一个点对应的目标中心的偏移值信息。

所述的增量小样本目标检测模型根据热力图、尺寸图和补偿图中的信息进行解码获得图像中的物体定位和分类信息，具体为：

若热力图中点的值不小于该点周围8个点的值，则判定其为热点，据此获取热力图中的所有热点，热点决定了预测目标框的中心在图像中的坐标和类别；

根据热点在热力图上的坐标分别对应其在尺寸图和补偿图中的相应位置，据此获取预测目标框的尺寸和预测目标框中心的偏移值；

解码得到目标的位置和大小，预测目标框用公式表示为：

其中，和分别为热点的坐标，和分别为热点所对应的目标尺寸，和分别为热点所对应目标中心的偏移值。

所述的步骤2)包括基础训练阶段、元学习阶段和小样本微调阶段。