[发明专利]基于Faster RCNN网络的广义少样本目标检测方法及系统

权利要求书

1.一种基于Faster RCNN网络的广义少样本目标检测方法，其特征在于，包括：

S1、获取内饰板图，并进行预处理；具体为：

首先进行人工标注，然后根据各个类别的标签数量确定出基础集和小数据集，其中，基础集的标签数量大于小数据集的标签数量；最后将所述基础集和小数据集分别划分为训练集、验证集与测试集；

S2、改进Faster RCNN网络模型；

在Faster RCNN中的主干网络层的输出端和区域建议网络之间增加第一仿射层；在Faster RCNN中的主干网络层的输出端和头部网络之间增加第二仿射层；在所述头部网络和分类层之间增加注意力机制；

S3、通过第一仿射层和第二仿射层生成参数λ；具体为：

两个仿射变换层在求梯度时产生可调节的参数λ，所述参数λ作为超参数调节，两个仿射层的参数λ不同，进而实现对于区域建议网络和头部网络的独立调节；

Grad(AffineRpn(x，λ))＝λ·Grad(Rpn(x))；

其中：x表示网络层的输入特征；Grad()为求梯度函数；Affine为仿射变换；Rpn为区域建议网络；

S4、将输出部分的分类层和边框回归层解耦；

所述注意力机制的网络包含Q、K、V三部分，Q表示查询向量，K表示键向量，V表示值向量；上述三部分用过注意力层的输入得到，并通过下式得到网络层的输出：

Attention为注意力机制；Softmax是激活函数；d_k表示K的维度；T表示转置；

S5、Faster RCNN网络模型训练，先将参数λ值设为1，并用基础集对模型进行基础训练，再改变参数λ值用小数据集进行微调，得到最终模型；

S6、计算损失函数；

L＝L_rpn+L_box+L_cls；

L为总损失，L_rpn为区域建议网络损失，L_box为回归框损失，L_cls为分类损失；

S7、训练改进Faster RCNN网络模型；具体为：

使用训练集进行训练，并使用验证集反复评测模型性能，改动和调整每次训练的超参数；

S8、建立评测系统；

采用平均精度mAP，记每个缺陷的真实结果为GT，预测结果为DT，计算它们在图像中所在位置的交并比IOU：

S()表示计算面积。

2.根据权利要求1所述的基于Faster RCNN网络的广义少样本目标检测方法，其特征在于，所述人工标注为：根据预定义的缺陷类型，将数据集中所有的缺陷标注出其类别和矩形框。

3.根据权利要求1所述的基于Faster RCNN网络的广义少样本目标检测方法，其特征在于，所述基础集的缺陷包括杂质、白点、凸点变形、划伤、漏印；所述小数据集的缺陷包括坑包、偏位、腐蚀点。

4.根据权利要求1所述的基于Faster RCNN网络的广义少样本目标检测方法，其特征在于，在S8中，对交并比IOU规定一个阈值t，大于阈值t的框为检出，否则舍弃，以此计算出模型的准确率P与召回率R；

准确率＝提取出的正确缺陷条数/提取出的缺陷总条数；

召回率＝提取出的正确缺陷条数/样本中的缺陷总条数。