公开(公告)号：CN116129226A

公开(公告)日：2023-05-16

申请号：CN202310372187.7

申请日：2023-04-10

Applicant: 之江实验室

Inventor： 周健聪 ,  梅继林 ,  胡瑜 ,  李玮 ,  高少波

IPC: G06V10/774 ,  G06V10/25 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供了一种基于多原型混合模块的少样本目标检测方法及装置。首先通过骨干网络提取出支持图像和查询图像的特征信息，然后使用期望最大化算法对支持特征进行处理，生成多个具有代表性信息的原型向量，再将所有的原型向量分别与查询特征进行特征聚合，完成对查询特征相关部分的激活并将其输入到后续的检测模块中，从而实现仅使用少量样本就能快速学习新事物的效果。同时，该模型在训练过程中采用了二类对比方法来进一步增强对新类别物体的学习能力，进而优化少样本目标检测的检测性能。本发明解决了现有少样本目标检测中存在的支持特征代表性不足、特征聚合方法效果不显著等问题，提高了少样本目标检测对于新类别物体的检测性能。

公开(公告)号：CN116129226B

公开(公告)日：2023-07-25

申请号：CN202310372187.7

申请日：2023-04-10

Applicant: 之江实验室

Inventor： 周健聪 ,  梅继林 ,  胡瑜 ,  李玮 ,  高少波

IPC: G06V10/774 ,  G06V10/25 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供了一种基于多原型混合模块的少样本目标检测方法及装置。首先通过骨干网络提取出支持图像和查询图像的特征信息，然后使用期望最大化算法对支持特征进行处理，生成多个具有代表性信息的原型向量，再将所有的原型向量分别与查询特征进行特征聚合，完成对查询特征相关部分的激活并将其输入到后续的检测模块中，从而实现仅使用少量样本就能快速学习新事物的效果。同时，该模型在训练过程中采用了二类对比方法来进一步增强对新类别物体的学习能力，进而优化少样本目标检测的检测性能。本发明解决了现有少样本目标检测中存在的支持特征代表性不足、特征聚合方法效果不显著等问题，提高了少样本目标检测对于新类别物体的检测性能。