[发明专利]少样本的目标检测方法、装置、存储介质及设备

说明书

本申请公开了一种少样本的目标检测方法、装置、存储介质及设备，属于图像处理技术领域。所述方法用于包含两个特征编码器的CenterNet中，包括：获取待检测的图像，所述图像中包括至少一个目标对象；对所述图像进行特征提取，得到特征图；获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；根据所述平均权重和所述特征图得到检测结果。本申请可以根据普通训练和元训练得到平均权重，从提高目标检测算法的泛化能力，且对于未见类别的设定，元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种少样本的目标检测方法、装置、存储介质及设备。

背景技术

近年来，目标检测模型已成为计算机视觉研究领域的重要研究热点。目标检测模型可以分为两类，一类是二阶段检测模型，这类目标检测模型先生成一系列候选目标区域，再提取目标候选区域的特征，最后用这些特征进行分类和目标边界的回归。另一类是一阶段检测模型，这类目标检测模型直接将目标边框定位的问题转化为回归问题处理，在给定输入图像后，可以直接在图像的多个位置对该位置的目标边界和目标类别进行回归。

由于二阶段检测模型的推理速度缓慢，且模型结构较为复杂，所以，可以采用一阶段检测模型来进行少样本的目标检测。现有的少样本的目标检测通常是将少样本学习算法与传统的目标检测算法进行简单的融合。

现有的少样本目标检测方法的泛化性能有待提高，且对于未见类别的设定，其对相近类别的检测效果明显更好，但随着少样本的类别的增加，其检测效果会明显下降。

发明内容

本申请实施例提供了一种少样本的目标检测方法、装置、存储介质及设备，用于解决将少样本学习算法与传统的目标检测算法进行简单的融合时，其泛化性能有待提高，且随着少样本的类别的增加，其检测效果会明显下降的问题。所述技术方案如下：

一方面，提供了一种少样本的目标检测方法，用于包含两个特征编码器的CenterNet中，所述方法包括：

获取待检测的图像，所述图像中包括至少一个目标对象；

对所述图像进行特征提取，得到特征图；

获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；

根据所述平均权重和所述特征图得到检测结果。

在一种可能的实现方式中，所述获取平均权重，包括：

获取对所述第一个特征编码器进行普通训练后得到的预测权重；

获取对所述第二个特征编码器进行元训练后得到的类代码权重；

将所述预测权重和所述类代码权重的平均值确定为所述平均权重。

在一种可能的实现方式中，所述获取对所述第一个特征编码器进行普通训练后得到的预测权重，包括：

获取第一支持集，所述第一支持集中包含多个类别的对象的训练样本；

根据所述第一支持集对所述第一个特征编码器进行普通训练，得到特征提取器；

将所述特征提取器的权重确定为所述预测权重。

在一种可能的实现方式中，所述获取对所述第二个特征编码器进行元训练后得到的类代码权重，包括：

获取第二支持集，所述第二支持集中包含的对象的类别与所述第一支持集中包含的对象的类别相同；

根据所述第二支持集对所述第二个特征编码器进行元训练，得到每个类别的类代码生成器；