电子信息技术

本发明属于目标检测技术领域，具体公开了一种小样本目标检测方法、装置及介质，本发明能够在只有少量标注的小样本类数据Dnovel的情况下，实现更高的检测性能，可以充分利用现有其他大量标注的公开数据集。具体而言，首先使用具有大量标注的基类数据Dbase来预训练模型，然后在少量标注的小样本类数据Dnovel上优化，实现模型的知识迁移，并具备检测小样本类目标的能力。

基于深度学习的目标检测近年来取得了很大的进展，但是往往需要大量带标注的图像训练神经网络。在工业产品瑕疵检测、医学图像识别等场合，很难标注大量图像，只能提供少量标注的图像。研究如何从少量标注的图像数据中学习出目标检测模型，即小样本目标检测，具有广阔的应用价值。

本发明至少具有以下有益效果：

1)融合元学习和模型微调的小样本目标检测方法步骤。在基于扩散模型的目标检测预训练基础上，对于需要微调的参数，首先通过元学习找到最优的初始化参数再微调。目标检测预训练模型的检测性能更高，小样本目标检测尽量避免过拟合，增强其泛化性能。

2)基于扩散模型和目标概率估计的目标检测预训练方法步骤。根据每个区域目标概率的大小，在加躁的随机框基础上采样生成目标候选框。大幅度减少目标候选框数目，并且主要分布在目标概率大的区域；训练阶段，模型学习更稳定、更快收敛；在测试阶段，模型测试推理的速度明显提高。大幅减少对计算资源的需求。

3)基于像素级贴图的数据增强步骤。基于边界框标注，得到像素级分割，仅仅将前景区域贴图到其他图像上。增强后的图像，各个区域搭配协调，更接近真实图像。

4)基于迭代rabCut的目标分割步骤。根据当前分割结果，按照边界框标注的定义，寻找可能没有被分割出来的前景区域，迭代执行GrabCut分割，可以分割出完整的前景。

5)基于对比学习的小样本类数据扩充步骤。通过小样本目标检测模型和基类目标检测预训练模型，在未标注数据集上发现小样本类目标，扩充小样本类数据。在未标注数据集上，发现的小样本类目标及其生成的标注更加可靠，扩充到小样本数据集上，可以增强小样本目标检测的性能。