[发明专利]一种基于类别语义特征重加权的小样本目标检测方法及系统

权利要求书

1.一种基于类别语义特征重加权的小样本目标检测方法，其特征在于，包括以下步骤：

S1、将数据集中的类别划分为基类和新类类别，并按照C way K shot方法构造成小样本学习任务的形式，得到支持集样本和查询样本；

S2、根据步骤S1得到的支持集样本S的类别标签构造初始类别语义图G；

S3、构建类别语义嵌入模块，并利用元学习器得到步骤S1中支持集样本的C个不同类别的元特征，将元特征和步骤S2构造的初始类别语义图G作为类别语义嵌入模块的输入，类别语义嵌入模块以元特征作为初始类别语义图节点的实际值，通过图卷积网络利用图节点之间的类别语义相似度进行图节点特征之间的融合，输出支持集样本元特征；

S4、根据步骤S3得到的支持集样本特征，与利用特征提取器获得的步骤S1中查询样本的特征F在通道维度相乘，得到C个经过通道维度调整后的查询样本特征；

S5、根据步骤S4得到的查询样本特征，进行相应类别目标物体的检测，并增加交叉熵损失函数用于对融合后的支持集样本元特征进行分类。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，查询样本支持集样本C为支持集样本中的类别个数，K为支持集样本中每个类别的样本个数，为第i个类别的查询样本，为第i个类别中的第j个支持集样本。

3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：

S201、利用Word2vec模型获取类别标签对应的词向量表示：

S202、根据步骤S201中得到的词向量表示计算类别标签之间的语义相似度；

S203、构建初始类别语义图G，图节点集合V对应不同的类别标签，节点之间相连边的值E表示类别标签之间的语义相似度；

S204、在基类训练阶段，按照基类类别构造初始类别语义图G_base，在小样本微调阶段，按照全部类别构造初始类别语义图G_all。

4.根据权利要求3所述的方法，其特征在于，步骤S202中，类别标签之间的语义相似度为：

其中，vec_a、vec_b分别代表a和b两个类别标签的词向量表示，l表示词向量的长度。

5.根据权利要求4所述的方法，其特征在于，数据集中每一个类别与该数据集中其它类别的类别语义相似度归一化计算如下：

其中，和分别指类别a与其它类别的类别语义相似度中的最大和最小值。

6.根据权利要求1所述的方法，其特征在于，步骤S3具体为：

S301、选取支持集样本全局平均池化层之后的特征作为初始类别语义图G的初始节点值，与初始类别语义图G构造的邻接矩阵A作为标签知识模块的输入，并随机初始化图卷积层的参数W，邻接矩阵A由类别标签之间的语义相似度值构成的矩阵；

S302、通过类别语义模块中的两个图卷积层进行特征之间的融合过程。

7.根据权利要求6所述的方法，其特征在于，步骤S302具体为：

通过第一层图卷积层得到输出特征X¹＝σ(BN(AX⁰W¹))，X⁰表示支持集样本元特征的集合，BN表示批归一化，σ表示激活函数；然后将X¹输入第二层图卷积，得到输出特征X²＝BN(AX¹W²))；最后和初始的输入元特征进行融合X²＝X⁰+X²，将融合后的特征经过激活函数，得到最终的支持集样本元特征，即X_out＝σ(X²)，