CN114332449B 基于特征解耦和知识迁移的小样本目标检测方法和装置 （北京邮电大学）

基于特征解耦和知识迁移的小样本目标检基于特征解耦和知识迁移的小样本目标检测方述方案的本申请通过双路检测头保留基础类别标检测的过程中联合调节区域建议网络和双路2使用带标注的小样本数据对迁移学习模型进行调节，得到调节将无标注的小样本数据输入调节后的迁移学习模型，对调节后的迁移调节后的迁移学习模型将无标注的小样本数据转换为感兴趣区域RoI特征，并将展平后的据集对调节后的迁移学习模型的区域建议网络和动态分支的第一网络参数进行联合调节，确定学习率和训练长度，使用基类样本对基础检测3.如权利要求1所述的方法，其特征在于，所所述基础分支和所述动态分支根据回归子任务以及分类子任务对展平后的RoI特征进所述回归子任务用于对所述展平后的RoI特征进行坐标偏移所述分类子任务用于平衡所述展平后的RoI特征中基类特征和新类特征之间的均值方将无标注的小样本数据的检测得分按置信度排序，根据前预设将伪标签小样本数据和带标注的小样本数据进行预设比例混合，从而得到混合数据所述迁移学习模型将输入的小样本数据转换为RoI特征，并将展平后的R所述RoI特征判别器，利用至少两个全连接层将展平后的RoI特征3模型调节模块，用于使用带标注的小样本数据对迁移学习模型进行调样本检测模块，用于将无标注的小样本数据输入调节后的迁移学习4[0006]本申请的第二个目的在于提出一种基于特征解耦和知识迁移的小样本目标检测[0009]使用带标注的小样本数据对迁移学习模型进行调节，得到调节后的迁移学习模5[0019]使用所述混合数据集对调节后的迁移学习模型的区域建议网络和动态分支的第[0021]所述调节后的迁移学习模型将无标注的小样本数据转换为感兴趣区域RoI特征，[0026]所述基础分支和所述动态分支根据回归子任务以及分类子任务对展平后的RoI特[0028]所述分类子任务用于平衡所述展开后的RoI特征中基类特征和新类特征之间的均6模型的区域建议网络和双路检测头进行联合调节，从而完成对无标注的小样本数据的检后的迁移学习模型，对调节后的迁移学习模型的区域建议网络和双路检测头进行联合调[0045]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得[0046]图1为本申请实施例所提供的一种基于特征解耦和知识迁移的小样本目标检测方[0050]图5为本申请实施例所提供的一种基于特征解耦和知识迁移的小样本目标检测装7申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同[0057]图1为本申请实施例所提供的一种基于特征解耦和知识迁移的小样本目标检测方[0058]如图1所示，本申请实施例提供的一种基于特征解耦和知识迁移的小样本目标检[0062]需要说明的是，小样本目标检测将一个数据集的类别划分为基础类别样本(基类8[0069]在本申请实施例中，在在基础检测模型中设置双路检测头得到迁移学习模型之[0077]使用混合数据集对调节后的迁移学习模型的区域建议网络和动态分支的第一网[0079]调节后的迁移学习模型将无标注的小样本数据转换为感兴趣区域RoI特征，并将9[0084]基础分支和动态分支根据回归子任务以及分类子任务对展平后的RoI特征进行特[0086]分类子任务用于平衡展开后的RoI特征中基类特征和新类特征之间的均值方差差[0094]需要说明的是，为充分利用基类样本中学习到的先验知识来指导新类样本的学[0096]其中，Lcon为基类一致性损失，Lcon采用KL散度，p2表示动态分支得到的新类[0114]图5为本申请实施例提供的一种基于特征解耦和知识迁移的小样本目标检测装置[0123]本技术领域