[发明专利]少样本目标检测方法、装置和电子设备

权利要求书

1.一种少样本目标检测方法，其特征在于，包括：

采用包括基础类别的第一样本数据训练得到第一模型，所述第一模型包括支持分支、查询分支，所述第一模型的支持分支用于提取所述基础类别的类别特征；

采用包括新类别的第二样本数据对所述第一模型进行微调，得到第二模型，所述第二模型的支持分支用于提取所述基础类别和所述新类别的类别特征，第二样本的数量远小于所述第一样本的数量；

将待检测样本输入所述第二模型的查询分支，提取待检测样本的第一特征，所述待检测样本为图像；

将所述第一特征与所述第二模型的所述类别特征进行特征重加权处理，得到处理后的第二特征，利用所述第二特征确定所述待检测样本中包括的对象的目标类别；

所述将所述第一特征与所述第二模型的所述类别特征进行特征重加权处理，得到处理后的第二特征，包括：

将所述第二模型的所述类别特征作为第一卷积核对所述第一特征进行卷积运算，得到第一融合特征；

将所述类别特征的第一个维度与第二个维度进行转置，将转置后的类别特征作为第二卷积核，采用第二卷积核对所述第一融合特征再次进行卷积运算；

将卷积运算的结果与所述第一特征相加，得到第二特征，所述第二特征与所述第一特征的大小一致；

其中，所述类别特征的所述第一个维度为类别数，所述第二个维度为通道数。

2.根据权利要求1所述的少样本目标检测方法，其特征在于，所述查询分支包括检测层；所述利用所述第二特征确定所述待检测样本的检测结果，包括：

将所述第二特征输入所述检测层，获得所述待检测样本的目标类别，以及对应的目标边界框。

3.根据权利要求1所述的少样本目标检测方法，其特征在于，所述查询分支还包括特征重加权网络，采用包括基础类别的第一样本数据训练得到第一模型，包括：

将所述第一样本数据划分为支持集和查询集，所述支持集与所述查询集中均包括所述基础类别；

将所述支持集输入所述支持分支，对每个所述基础类别提取类别特征；

将所述查询集中的第一样本输入所述查询分支，提取所述第一样本的样本特征；

将所述类别特征与所述样本特征输入所述特征重加权网络进行融合，利用融合后的特征确定所述第一样本的第一检测结果，以训练第一模型。

4.根据权利要求3所述的少样本目标检测方法，其特征在于，所述训练第一模型，包括：

通过损失函数计算所述第一检测结果与所述第一样本的标签之间的差异度，基于所述差异度使用反向传播算法调整所述第一模型的参数。

5.一种少样本目标检测装置，其特征在于，包括：

第一训练模块，用于采用包括基础类别的第一样本数据训练得到第一模型，所述第一模型包括支持分支、查询分支，所述第一模型的支持分支用于提取基础类别的类别特征；

第二训练模块，用于采用包括基础类别和新类别的第二样本数据对所述第一模型进行微调，得到第二模型，所述第二模型的支持分支用于提取所述基础类别和所述新类别的类别特征，所述第二样本的数量远小于第一样本的数量；

数据输入模块，用于将待检测样本输入所述第二模型的查询分支，提取所述待检测样本的第一特征，所述待检测样本为图像；

结果确定模块，用于将所述第一特征与所述第二模型的所述类别特征进行特征重加权处理，得到处理后的第二特征，利用所述第二特征确定所述待检测样本中包括的对象的目标类别；

所述结果确定模块包括：第一卷积单元，用于将所述第二模型的所述类别特征作为第一卷积核对所述第一特征进行卷积运算，得到第一融合特征；

第二卷积单元，用于将所述类别特征的第一个维度与第二个维度进行转置，将转置后的类别特征作为第二卷积核，采用第二卷积核对所述第一融合特征再次进行卷积运算；

特征确定单元，用于将卷积运算的结果与所述第一特征相加，得到第二特征，所述第二特征与所述第一特征的大小一致；

其中，类别特征的第一个维度为类别数，第二个维度为通道数。