申请/专利权人:长沙军民先进技术研究有限公司
申请日:2020-11-20
公开(公告)日:2024-03-19
公开(公告)号:CN112364931B
主分类号:G06V10/25
分类号:G06V10/25;G06V10/766;G06V10/764;G06V10/44;G06V10/82;G06N3/0464;G06N3/084;G06T7/73
优先权:
专利状态码:有效-授权
法律状态:2024.03.19#授权;2021.03.05#实质审查的生效;2021.02.12#公开
摘要:本发明公开了一种基于元特征和权重调整的少样本目标检测方法及网络模型,所述方法如下:S1、构建检测网络模型并对图像进行预处理;S2、提取base类图像的元特征和权重向量;S3、结合提取的元特征和权重向量获取多维特征图,并将其输入分类回归模块中计算出损失函数;S4、根据损失函数和梯度下降调整网络参数,实现base类图像对检测网络模型的训练;S5、提取base类和new类联合图像的元特征和权重向量;S6、重复步骤S3和步骤S4,完成new类和base类联合图像对检测网络模型的训练;S7、利用训练好的检测网络模型对测试图像进行检测。本发明中检测网络模型的训练利用大量数据的样本提取元特征,并借助少样本数据进行微调,提升了少量标记样本目标检测的准确率。
主权项:1.基于元特征和权重调整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、构建检测网络模型并对输入的base类训练图像、new类训练图像和测试图像均进行预处理;S2、将预处理后的base类训练图像输入检测网络模型中的元特征提取模块和权重调整模块进行卷积以提取对应的元特征图和权重向量;S3、将各自卷积提取的元特征图和权重向量进行结合并获取对应的多维特征图,然后将获取的多维特征图输入分类回归模块的分类器和回归器中进行分类和回归,根据分类回归模块的当前目标输出结果与目标的真实类别及目标框位置计算出目标损失函数;S4、根据所计算的目标损失函数和梯度下降不断调整网络参数,完成base类图像训练检测网络模型;S5、将预处理后的new类训练图像和base类训练图像联合输入检测网络模型中的元特征提取模块和权重调整模块进行卷积以提取其对应的元特征图和权重向量;S6、重复步骤S3,并根据所计算的目标损失函数和梯度下降不断调整网络参数,从而完成new类和base类联合图像训练检测网络模型;S7、利用步骤S6中完成的训练检测网络模型对预处理后的测试图像进行检测,进而输出测试图像中目标的检测结果。
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 一种基于元特征和权重调整的少样本目标检测方法及网络系统
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。