[发明专利]基于支持与查询样本的小样本目标检测方法与系统

说明书

本发明公开了基于支持与查询样本的小样本目标检测方法与系统，包括，支持样本和查询样本特征提取、基于查询样本引导的支持样本加权、支持样本引导的查询特征增强、候选框的打分和筛选、混合损失函数计算，将小样本学习机制引入到深度目标检测框架，建立了一套准确率高的小样本目标检测系统。本发明的方法框架简单、使用方便、可扩展性强、可解释性强，并在两个主流视觉属性数据集的小样本目标检测的结果上，都超过了现有方法。本发明能够为目标检测技术在军事和工业应用领域，提供基础框架和算法的支持，也能很容易地扩展到其他小样本学习任务上。

技术领域

本发明涉及机器学习技术领域，尤其是涉及基于支持与查询样本的小样本目标检测方法与系统。

背景技术

目标检测技术是计算机视觉任务中一个基础的任务，该任务旨在从图像中定位并分类出目标类别物体。目标检测技术的应用范围广泛，它为一些下游任务，例如实例分割，场景理解，姿态估计等任务，提供了基础的支持。已有深度目标检测模型在一些类别上取得了较好的准确率，但严重依赖于在大规模带标定数据集。然而在现实场景中，却面临着数据样本分布不均衡、以及样本无监督等问题，因此如何在样本量不足的情况下，进行有效的目标检测，成为了计算机视觉领域的开放式问题。小样本学习为解决这一类问题提供了一套系统的框架，即利用大量的基类(可见类)数据进行训练，即可在拥有少量数据的新类(未见类)上面进行预测。类似于小样本图像分类，小样本目标检测也将检测过程建模为一个个的轮次(episode)，在每个轮次中，提供K张某个类别的支持样本的照片以及对应的标定框，要求在另一张不同的查询照片中定位出所有该类别的物体的位置，该设置被称为K-shot设置。此处的K一般较小，取值在1～30之间。

已有的小样本目标检测算法较少，现有的小样本目标检测大多是基于目标检测框架修改而来，且这些方法都存在着以下局限性：

1)基于一阶段目标检测框架修改而来的方法准确率往往较低。

2)基于两阶段目标检测框架修改而来的方法，往往没有充分利用支持样本的信息，来引导第一阶段的候选框的生成，以及第二阶段的候选框筛选。

3)在K-shot下，同等对待所有的支持样本，没有考虑到不同的支持样本对于当前查询样本的贡献度。

4)总体而言，已有的方法准确率较低，难以达到实际使用的级别。

小样本目标检测的应用场景较多，本发明例集中于其在超市的自动结算系统领域。在超市的自动结算系统中，大部分的自动结算需要店员手动对商品条码进行扫描，以便录入当前商品的价格等信息。然而，用扫描的方式录入商品时间消耗较大，结算效率较低，大大降低了用户的体验。

发明内容

为解决现有技术的不足，实现提高小样本目标检测准确率的目的，本发明采用如下的技术方案：

基于支持与查询样本的小样本目标检测方法，包括如下步骤：

S1，采样图像数据，在包含c类别的标定框的图像中，随机采样一组支持样本S和一张查询样本Q；

S2，支持样本和查询样本特征提取，分别得到支持样本、查询样本中，c类别标定框对应区域的特征，作为支持样本区域特征和查询样本区域特征

S3，基于查询样本引导的支持样本加权，通过度量每个支持样本区域特征对于查询样本区域特征的贡献度，构建权重，对每个支持样本区域特征进行加权求和，得到加权后的支持样本区域特征

S4，支持样本引导的查询样本特征增强，根据加权后的支持样本区域特征，对查询样本特征进行增强，并通过增强后的查询样本特征，生成与类别c相关的候选框，并进行微调；

S5，候选框的打分与筛选，通过度量加权后的支持样本区域特征和候选框特征的相似度，进行打分，通过分数阈值，筛选候选框；