[发明专利]一种基于动态分类器的小样本目标检测系统及方法

权利要求书

1.一种基于动态分类器的小样本目标检测系统，其特征在于，包括：

特征提取模块，以经过数据增强后的图片作为输入，输出不同尺度的多个特征图；

RPN模块，在特征图进行候选区域预测得到最终的候选区域；

RoI Pooling模块，以特征图和候选区域作为输入，从特征图上提取出属于候选区域的特征；

Box Predictor模块，将得到的属于候选区域的特征进行分类预测和边框的回归预测。

2.根据权利要求1所述的基于动态分类器的小样本目标检测系统，其特征在于，所述特征提取模块进行特征提取的具体过程是：

特征提取模块采用的网络是ResNet-101+FPN，图片首先经过1个7x7x64的卷积层，然后经过3x3的最大池化层，接下来陆续经过4个子模块，每个子模块都由多个残差模块组成，而每个残差模块又包括3个卷积层：conv_2子模块包含3个残差模块，输出的结果命名为C2，输入给conv_3；conv_3包含4个残差模块，输出的结果命名为C3，输入给conv_4；conv_4包含23个残差模块，输出的结果命名为C4，输入给conv_5；conv_5包含3个残差模块，输出的结果命名为C5，从C2到C5，每一级特征图的大小都会缩小一半，C2、C3、C4、C5分别作为FPN(FeaturePyramid Networks)的输入，分别经过1x1的卷积后，上一级的特征图通过上采样后(大小翻倍)与下一级的特征图融合，最终得到P2、P3、P4、P5这4个不同尺度的特征图，最后，还会在P5的基础上进一步做一个最大池化的操作，得到尺度更小的特征图P6。

3.根据权利要求2所述的基于动态分类器的小样本目标检测系统，其特征在于，所述RPN模块处理的具体过程是：

RPN模块在特征图上采用滑动窗口，在一个位置上对k个可能的候选区域进行预测又被称为k个anchor boxes，对于一个大小为W×H的特征图，一共会对W×H×k个anchor进行预测，每个anchor会被预测得到一个二分类的置信度以及边框坐标，这些预测结果经过按照置信度筛选后，得到最终的候选区域。

4.根据权利要求3所述的基于动态分类器的小样本目标检测系统，其特征在于，所述RoI Pooling模块处理的具体过程是：

由于RPN预测的候选区域的坐标是针对原始输入图片的，因此首先需要根据输入图片的大小，将RPN所预测的候选区域映射到特征图中所对应的位置；将映射后的区域划分为相同大小的块，块的数量与输出的维度相同；对每个块取其中的最大元素作为输出，从而得到属于输出维度的特征图。

5.根据权利要求4所述的基于动态分类器的小样本目标检测方法，其特征在于，所述Box Predictor模块包括分类器和回归器组成；所述分类器则采用动态分类器，该动态分类器在base training阶段使用基于全连接层的多分类器，在fine-tuning和测试阶段换成基于余弦距离的余弦分类器。

6.根据权利要求5所述的基于动态分类器的小样本目标检测系统，其特征在于，所述余弦分类器采用了全连接层来间接实现余弦分类器，具体地，全连接层的权重参数矩阵视为c个维度为d的向量的组合，这些向量可代表每个要预测的类别的特征，在特征经过全连接层之前，先进行归一化处理，即可实现余弦相似度的计算：

其中，F(x)是输入的特征，s_i,j是第i个候选目标与第j个类别的余弦相似度，ω_j是第j个类别的权重向量，α是一个控制缩放的超参数，通过实验结果选定为20。