小样本对象的检测方法、装置、存储介质及电子装置与流程

本发明实施例涉及图像处理领域，具体而言，涉及一种小样本对象的检测方法、装置、存储介质及电子装置。

背景技术：

1、深度学习依赖大规模的标注数据，在训练数据规模不足的时候极易出现过拟合的问题。而小样本学习正是研究如何利用很少的标注数据达到传统深度学习效果的。在相关技术中，小样本目标检测方法主要包括基于元学习的方法和基于微调的方法两大类。然而，在相关技术中，存在对小样本对象的识别不准确的问题。

2、针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种小样本对象的检测方法、装置、存储介质及电子装置，以至少解决相关技术中存在的对小样本对象的识别不准确的问题。

2、根据本发明的一个实施例，提供了一种小样本对象的检测方法，包括：将小样本图像输入至目标检测网络中，以确定所述小样本图像中包括的目标对象、所述目标对象的目标类别以及所述目标对象的目标候选框；其中，所述目标检测网络是通过如下方式训练得到的：将查询图像以及多个支持图像输入至初始网络模型中包括的检测子网络模型中，得到所述查询图像的查询实例特征，以及每个所述支持图像的支持实例特征，其中，所述查询图像为未标注的图像，所述支持图像为标注图像，所述支持图像中包括支持对象以及标注信息，所述标注信息包括所述支持对象的类型以及所述支持对象的候选框，所述查询实例特征为所述检测子网络模型预测所述查询图像中包括的查询对象所在区域的特征，所述支持实例特征为所述检测子网络模型基于所述标注信息确定所述候选框所在区域的特征；将所述查询实例特征以及多个所述支持实例特征输入至所述初始网络模型中包括的迁移结构中进行重建，得到目标重建查询特征以及目标重建支持特征；基于重建查询特征以及重建支持特征确定所述初始网络模型的目标损失值；基于所述目标损失值确定迭代更新所述初始网络模型的网络参数，得到初始检测模型；利用获取到的小样本标注数据训练所述初始检测模型，得到所述目标检测网络。

3、根据本发明的另一个实施例，提供了一种小样本对象的检测装置，包括：检测模块，用于将小样本图像输入至目标检测网络中，以确定所述小样本图像中包括的目标对象、所述目标对象的目标类别以及所述目标对象的目标候选框；其中，所述目标检测网络是通过如下方式训练得到的：将查询图像以及多个支持图像输入至初始网络模型中包括的检测子网络模型中，得到所述查询图像的查询实例特征，以及每个所述支持图像的支持实例特征，其中，所述查询图像为未标注的图像，所述支持图像为标注图像，所述支持图像中包括支持对象以及标注信息，所述标注信息包括所述支持对象的类型以及所述支持对象的候选框，所述查询实例特征为所述检测子网络模型预测所述查询图像中包括的查询对象所在区域的特征，所述支持实例特征为所述检测子网络模型基于所述标注信息确定所述候选框所在区域的特征；将所述查询实例特征以及多个所述支持实例特征输入至所述初始网络模型中包括的迁移结构中进行重建，得到目标重建查询特征以及目标重建支持特征；基于重建查询特征以及重建支持特征确定所述初始网络模型的目标损失值；基于所述目标损失值确定迭代更新所述初始网络模型的网络参数，得到初始检测模型；利用获取到的小样本标注数据训练所述初始检测模型，得到所述目标检测网络。

4、根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

5、根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

6、根据本发明的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请各个实施例中所述方法的步骤。

7、通过本发明，用于识别小样本图像的目标检测网络是通过查询图像以及支持图像对初始网络模型进行训练，得到初始检测模型，在利用小样本标注数据训练输出检测模型，得到目标检测网络。其中，训练输出网络模型时利用了迁移结构，通过迁移结果对查询图像的查询实例特征以及支持图像的支持实例特征进行重建，拉近支持特征和查询特征之间相似部分的特征距离，同时推远它们之间不相似部分的特征距离，从而提高特征对齐的效果，进而提高了定位目标对象、确定目标对象类型的准确性。因此，可以解决相关技术中存在的对小样本对象的识别不准确的问题，达到提高识别小样本对象的准确率的效果。

技术特征：

1.一种小样本对象的检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述查询实例特征以及多个所述支持实例特征输入至所述初始网络模型中包括的迁移结构中进行重建，得到目标重建查询特征以及目标重建支持特征包括：

3.根据权利要求2所述的方法，其特征在于，基于所述迁移结构中包括的重建模块以及域对抗模块对所述查询实例特征以及所述支持实例特征进行重建包括：

4.根据权利要求1所述的方法，其特征在于，将查询图像以及多个支持图像输入至初始网络模型中包括的检测子网络模型中，得到所述查询图像的查询实例特征，以及每个所述支持图像的支持实例特征包括：

5.根据权利要求4所述的方法，其特征在于，将所述查询图像以及支持图像输入至所述检测子网络模型中包括的特征提取网络中，得到查询特征，以及支持特征包括：

6.根据权利要求1 所述的方法，其特征在于，基于重建查询特征以及重建支持特征确定所述初始网络模型的目标损失值包括：

7.根据权利要求6 所述的方法，其特征在于，基于所述和值确定所述目标损失值包括：

8.一种小样本对象的检测装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。

11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项中所述方法的步骤。

技术总结
本发明实施例提供了一种小样本对象的检测方法、装置、存储介质及电子装置，其中，该方法包括：将小样本图像输入至目标检测网络中，以确定小样本图像中包括的目标对象、目标对象的目标类别以及目标对象的目标候选框；目标检测网络是通过如下方式训练得到的：将查询图像以及多个支持图像输入至初始网络模型中包括的检测子网络模型中，得到查询图像的查询实例特征，以及每个支持图像的支持实例特征；将查询实例特征以及多个支持实例特征输入至初始网络模型中包括的迁移结构中进行重建，得到目标重建查询特征以及目标重建支持特征；基于重建查询特征以及重建支持特征确定初始网络模型的目标损失值。通过本发明，提高了识别小样本对象的准确率。

技术研发人员：丁柔,孙伶君,张磊,姜晓卫,魏程峰,林超,张海玉
受保护的技术使用者：浙江大华技术股份有限公司
技术研发日：
技术公布日：2024/9/23