[发明专利]一种目标检测方法及系统

说明书

本发明公开了一种目标检测方法和系统，针对目标检测任务需要自注意力关注特定类别目标对应原始图像所在区域的特点，将注意力机制运用于目标检测中，所设计的网络结构不同于通用的元学习网络框架，采用分类分支层所得的类别概率监督与特征提取层连接的类别注意力层，从而引导回归分支层进行目标位置的计算，实现基于类别区分的自监督注意力机制，提升目标检测模型的检测精度。进一步地，结合小样本目标检测任务由于小样本数量较少，网络难以学习到小样本特征的特点，将大样本图像和小样本图像进行拼接，作为样本图像对目标检测模型进行训练，使得网络兼顾学习大样本图像和小样本图像，从提升目标检测模型的对小样本的检测能力。

技术领域

本发明属于计算机视觉和深度学习领域，更具体地，涉及一种目标检测方法及系统。

背景技术

目标检测任务是计算机视觉的基础任务之一，主要任务是对图像中的目标进行分类和定位。现有的目标检测任务基于大量的标注的图像进行训练，限制了某些场景下的应用和推广。因此利用极少的标注数据学习具有一定泛化能力的模型显得尤为重要。基于此，应用较少标注数据的半监督方法和如何利用极少的标注数据学习具有一定泛化能力的模型是更加迫切需要研究的问题。

将注意力机制应用在计算机视觉任务上，可以有效捕捉图像中有用的区域，从而提升整体网络性能。因而，利用注意力机制也可以使网络有选择的进行特征抽取和识别，并有效缓解网络对小样本进行特征抽取的表征困难问题。然而，现有技术通常采用隐式自注意力机制，即注意力所关注信息不具有明确实际意义，导致注意力机制的可解释性较差。同时由于注意力信息没有明确的指向性，导致其存在注意力不集中，注意力混乱和错误等问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种目标检测方法及系统，采用基于类别自监督的显式注意力机制，使网络有选择的进行待识别图像的特征抽取和识别，进而有效缓解网络利用小样本学习的表征困难的问题。

为实现上述目的，按照本发明的一个方面，提供了一种目标检测方法，包括：

将待识别图像输入目标检测模型；

其中，所述目标检测模型是基于样本图像以及对应的类别标签和位置标签进行监督训练后得到；

所述目标检测模型对所述待识别图像进行特征提取，获得特征图；

基于所述特征图生成所述待识别图像的类别概率，并基于所述类别概率输出所述待识别图像的类别；

对所述特征图进行复制，得到与所述类别标签的数量相同的多张特征图；提取所述各特征图通道的注意力权重；将所述类别概率分别与所述各特征图通道的注意力权重进行点乘，得到各特征图通道的类别自监督注意力权重；基于非线性缩放层的非线性加权参数，调整所述各特征图通道的类别自监督注意力权重；将所述各特征图通道的类别自监督注意力权重的最大值，作为所述特征图通道的融合类别自注意力权重；将所述特征图通道的融合类别自注意力权重与所述特征图通道进行点乘，得到融合类别自监督注意力特征图；

基于所述融合类别自监督注意力特征图，输出所述待识别图像的位置。

优选地，所述样本图像由小样本图像和大样本图像拼接而成。

优选地，所述提取所述各特征图通道的注意力权重，具体为：

对所述多张特征图依次进行线性变换和非线性变换，得到所述各特征图通道的注意力权重。

优选地，所述对所述多张特征图依次进行线性变换和非线性变换，得到各特征图通道的注意力权重，具体为：

将所述多张特征图进行全局池化，压缩所述多张特征图的尺寸，得到多张压缩后的特征图；将所述多张压缩后的特征图输入以级联形式组合的分组全连接层与非线性激活层，以对所述多张特征图依次进行线性变换和非线性变换，得到各特征图通道的注意力权重。