[发明专利]小样本目标检测方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种小样本目标检测方法、装置、电子设备及存储介质，在训练小样本目标检测模型时，通过计算图像级别、实例级别和像素级别的语义相似度，并考虑不同级别的语义相似度的融合问题，在对不同级别的语义相似度进行融合时，本发明没有简单地将不同语义相似度进行加权求和，而是通过一系列地卷积操作进行融合，使得模型能够得到更加丰富的语义信息，训练得到的小样本目标检测模型的鲁棒性较强，从而使用小样本目标检测模型能够准确的检测出未知的类别。

技术领域

本发明涉及人工智能技术领域，具体涉及一种小样本目标检测方法、装置、电子设备及存储介质。

背景技术

目标检测技术作为计算机视觉领域最重要的研究方向之一，在工业、农业、医疗等领域得到广泛应用。传统的目标检测方法依赖于标注数据集训练，其对于标注数据中未出现类别的样本无法进行检测。在实际应用中，大量样本的类别对于模型而言是未知类别，对这些数据逐一标注会产生巨大的成本，因此如何让模型在不针对未知数据进行训练就可以成功检测物体类别成为了一个技术问题。

发明内容

鉴于以上内容，有必要提出一种小样本目标检测方法、装置、电子设备及存储介质，能够在不进行类别训练的情况下对未知类别进行检测。

本发明的第一方面提供一种小样本目标检测方法，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。

在一个可选的实施方式中，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。

在一个可选的实施方式中，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；