申请/专利权人:长沙军民先进技术研究有限公司
申请日:2021-06-11
公开(公告)日:2024-03-08
公开(公告)号:CN113378936B
主分类号:G06V10/774
分类号:G06V10/774;G06V10/25;G06V10/80
优先权:
专利状态码:有效-授权
法律状态:2024.03.08#授权;2021.09.28#实质审查的生效;2021.09.10#公开
摘要:本发明公开了一种基于FasterRCNN的少样本目标检测方法,包括:S1、获取支持集和询问集图片数据;S2、利用ResNet网络和VGG网络分别提取训练集图片数据对应询问集和支持集中图片的特征图,以及提取对应支持集图片的原型向量,将原型向量和询问集中图片的特征图进行融合并固定大小后进行分类和回归;S3、构建目标损失函数;S4、获取训练好的少样本检测网络模型;S5、将待检测图片输入训练好的少样本检测网络模型中以得到对应的目标类别和位置坐标,实现了少样本目标的检测。本发明利用ResNet网络提取高分辨率特征图,借助类注意模块突出了目标类,同时将多维特征向量图与原始特征图相加恢复了融合处理过程中所丢失的信息,从而能够实现少样本目标的准确检测。
主权项:1.一种基于FasterRCNN的少样本目标检测方法,其特征在于,所述方法包括以下步骤:S1、获取训练集图片数据和测试集图片数据,并分别将训练集图片数据和测试集图片数据随机分成各自对应的支持集和询问集;S2、利用ResNet网络提取训练集图片数据中询问集的特征图,同时利用VGG网络提取训练集图片数据中支持集的特征图,然后通过ROIPooling模块提取训练集图片数据中支持集的特征图所对应不同类的原型向量,再将所提取的不同类的原型向量和训练集图片数据中询问集所对应提取的特征图进行融合处理,最后利用ROIPooling模块将融合处理后的特征图调整到固定大小后进行分类和回归,从而构建出通用目标检测网络模型;S3、构建通用目标检测网络模型的目标损失函数;S4、通过训练集图片数据、测试集图片数据和步骤S3构建的通用目标检测网络模型目标损失函数获取训练好的少样本检测网络模型;S5、将待检测原始图片输入到步骤S4中训练好的少样本检测网络模型中进行检测,得到待检测原始图片的目标类别和位置坐标,从而实现了少样本目标的检测。
全文数据:
权利要求:
百度查询: 长沙军民先进技术研究有限公司 一种基于Faster RCNN的少样本目标检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。