[发明专利]小样本目标检测方法、装置、电子设备及存储介质

权利要求书

1.一种小样本目标检测方法，其特征在于，所述方法包括：

获取多个查询样本图像及每个所述查询样本图像对应的目标样本图像，通过构造小样本目标检测模型获取每个所述目标样本图像中与对应的所述查询样本图像中属于同类别的目标实例；

基于所述目标实例所在的候选区域及对应的所述查询样本图像计算得到图像级别的语义相似度；

基于所述目标实例所在的候选区域及对应的所述查询样本图像计算得到实例级别的语义相似度；

基于所述目标实例所在的候选区域及对应的所述查询样本图像计算得到像素级别的语义相似度；

基于所述候选区域的候选特征、所述图像级别的语义相似度、所述实例级别的语义相似度及所述像素级别的语义相似度，进行相似度融合，得到语义相似度融合结果；

基于所述语义相似度融合结果对所述小样本目标检测模型进行训练；

使用训练完成的小样本目标检测模型检测待测目标图像中与待测查询图像的实例同类别的区域。

2.如权利要求1所述的小样本目标检测方法，其特征在于，所述基于所述语义相似度融合结果对所述小样本目标检测模型进行训练包括：

通过所述小样本目标检测模型输出每个所述目标样本图像中所述目标实例的预测类别标签及所述目标实例的预测框，所述预测框对应所述候选区域；

基于所述预测框将多个所述目标样本图像分为正样本图像及负样本图像；

对于所述正样本图像，采用预设第一损失函数基于所述预测类别标签及所述实例的真实类别标签，计算得到第一交叉熵损失值；

对于所述负样本图像，采用预设第二损失函数基于所述预测类别标签及所述实例的真实类别标签，计算得到第二交叉熵损失值；

基于所述第一交叉熵损失值及所述第二交叉熵损失值计算总损失值；

采用梯度下降算法，基于所述损失值，对所述小样本目标检测模型进行训练，得到训练完成的小样本目标检测模型。

3.如权利要求1所述的小样本目标检测方法，其特征在于，所述通过构造小样本目标检测模型获取每个所述目标样本图像中与对应的所述查询样本图像中属于同类别的目标实例包括：

构造以R-CNN为主框架的小样本目标检测模型，所述小样本目标检测模型包括特征提取网络、特征优化网络及候选区域生成网络；

通过所述特征提取网络，提取所述目标样本图像的第一样本特征，及提取所述查询样本图像的第二样本特征；

通过所述特征优化网络，对所述第一样本特征进行优化得到第一优化特征，及对所述第二样本特征进行优化得到第二优化特征；

通过所述候选区域生成网络，基于所述第一优化特征及所述第二优化特征，获取每个所述目标样本图像中与对应的所述查询样本图像中属于同类别的目标实例。

4.如权利要求3所述的小样本目标检测方法，其特征在于，所述基于所述目标实例所在的候选区域及对应的所述查询样本图像计算得到图像级别的语义相似度包括：

获取所述候选区域的区域特征；

对所述查询样本图像的所述第二优化特征进行平均池化操作，得到第一池化特征；

将所述第一池化特征与所述区域特征中具有相同通道标识的特征进行做差，得到第一差异特征；

对所述第一差异特征进行卷积操作，得到所述图像级别的语义相似度。

5.如权利要求3所述的小样本目标检测方法，其特征在于，所述基于所述目标实例所在的候选区域及对应的所述查询样本图像计算得到实例级别的语义相似度包括：

对所述第二优化特征进行平均池化操作得到第二池化特征；

对所述第二池化特征进行卷积操作得到第一卷积特征；

获取所述候选区域的区域特征，并对所述区域特征进行卷积操作得到第二卷积特征；

将所述第一卷积特征与所述第二卷积特征中具有相同通道标识的特征进行做差，得到第二差异特征；

对所述第二差异特征进行卷积操作，得到所述实例级别的语义相似度。