1.一种基于跨域小样本学习的小尺度目标检测方法,应用于液体有形成分检测,其特征在于,所述基于跨域小样本学习的小尺度目标检测方法在应用阶段,包括以下步骤:步骤1、多尺度特征提取:将待处理图片输入主干网络,输出主干网络最后三层的特征图;
步骤2、背景抑制;
步骤2.1、将三层特征图分别缩放至尺寸与目标特征图一致;
步骤2.2、基于缩放后的三层特征图,计算各个像素点上的叠加权重;
步骤2.3、根据叠加权重对缩放后的三层特征图进行加权相加,得到目标特征图;
步骤2.4、通过全连接层对目标特征图为前后景和目标框做第一阶段预测;
步骤3、特征空间微调;
步骤3.1、将步骤2.4中目标框对应的特征向量按通道维展开,并利用全连接层将不同通道上的特征映射至不同的向量空间,利用点乘衡量向量之间的关联度并进行通道维度上的信息融合得到融合特征图;
步骤3.2、基于残差操作将步骤2.4中目标框对应的特征向量与融合特征图的特征向量相加,得到微调目标特征图;
步骤3.3、通过全连接层对微调目标特征图预测目标类别和位置,即进行第二阶段预测,输出最终的目标类别和位置。
2.如权利要求1所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述主干网络为ResNet-101;
输出主干网络最后三层的特征图F1,F2,F3,各层特征图的宽高为原输入的待处理图片的宽高除以采样步长,最后三层的采样步长stride∈{8,16,32}。
3.如权利要求1所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述基于缩放后的三层特征图,计算各个像素点上的叠加权重,包括:对缩放处理后的三层特征图使用1×1卷积处理,获得各层对应坐标的控制参数t为目标特征图的标识,1≤i≤H,1≤j≤W,H为目标特征图的高,W为目标特征图的宽;
利用控制参数计算各层各个像素点上的叠加权重:
式中,表示缩放处理后的第一层特征图上像素点(i,j)的叠加权重,表示缩放处理后的第二层特征图上像素点(i,j)的叠加权重,表示缩放处理后的第三层特征图上像素点(i,j)的叠加权重,表示缩放处理后的第一层特征图上像素点(i,j)对应的控制参数,表示缩放处理后的第二层特征图上像素点(i,j)对应的控制参数,表示缩放处理后的第三层特征图上像素点(i,j)对应的控制参数。
4.如权利要求3所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述根据叠加权重对缩放后的三层特征图进行加权相加,得到目标特征图,包括:取缩放处理后的三层特征图分别为
基于像素点的加权相加得到目标特征图Ft:
式中,为目标特征图Ft上像素点(i,j)的像素值,为缩放处理后的第一层特征图上像素点(i,j)的像素值,为缩放处理后的第二层特征图上像素点(i,j)的像素值,为缩放处理后的第三层特征图,上像素点(i,j)的像素值。
5.如权利要求1所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述通过全连接层对目标特征图为前后景和目标框做第一阶段预测,包括:对目标特征图中的每个像素点预设不同缩放比、宽高比的锚框,对每个锚框进行前后景辨别、偏移量预测、缩放比预测、宽高比预测,其中前景代表目标,后景代表背景,偏移量表示真实的目标中心到预设锚框中心的距离;
对预测的结果进行后处理,筛选出超过置信度阈值的目标,并使用非极大值抑制法筛选锚框,得到最终的锚框作为目标框。
6.如权利要求1所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述利用点乘衡量向量之间的关联度并进行通道维度上的信息融合得到融合特征图,包括:用点乘衡量向量之间的关联度,生成注意力图;
根据注意力图得分,为特征向量赋权进行通道维度上的信息融合,得到融合特征图。
7.如权利要求1所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述基于跨域小样本学习的小尺度目标检测方法在网络训练阶段还包括以下步骤:步骤4、多尺度正样本辅助学习;
步骤4.1、根据带标签的样本图片的标签截取目标区域,将截取的图片缩放成3个不同大小的样本,分别为1倍、2倍、4倍得到第一样本图、第二样本图和第三样本图,将各样本图分别输入步骤1中的主干网络;
步骤4.2、取第一样本图输入时主干网络第三层输出的特征图、取第二样本图输入时主干网络第四层输出的特征图,以及取第三样本图输入时主干网络第五层输出的特征图,将三张特征图输入步骤2.4中的全连接层做第一阶段预测;
步骤4.3、取第一样本图输入时主干网络第一层输出的特征图、取第二样本图输入时主干网络第二层输出的特征图,以及取第三样本图输入时主干网络第三层输出的特征图,将三张特征图输入步骤3.3中的全连接层做第二阶段预测;
步骤5、根据步骤1~4分别计算第一阶段预测损失和第二阶段预测损失,根据第一阶段预测损失更新做第一阶段预测的全连接层的网络参数,根据第二阶段预测损失更新做第二阶段预测的全连接层的网络参数,直至达到预设的训练条件后结束。
8.如权利要求7所述的基于跨域小样本学习的小尺度目标检测方法,其特征在于,所述根据步骤1~4分别计算第一阶段预测损失和第二阶段预测损失,包括:第一阶段预测损失包括两个分支对前后景预测的损失以及对目标框预测的损失,对前后景预测的损失使用二元交叉熵损失函数衡量,记为LBcls,对目标框预测的损失使用平滑L1函数衡量,记为LPreg,对每个目标取平均,则第一阶段预测损失LRPN定义如下:式中,Nobj为网络训练阶段步骤2.4中输入全连接层的样本个数,Mobj为网络训练阶段步骤4.2中输入全连接层的样本个数,表示第k个样本的前后景预测的损失,表示第k个样本的目标框预测的损失;
第二阶段预测损失用交叉熵损失函数分别衡量两个分支目标分类的准确率,记为LKcls,并且用IoU损失衡量预测框的准确率,记为LRreg,第二阶段预测损失LRoI定义为:式中,NRoI为网络训练阶段步骤3.3中输入全连接层的样本个数,MRoI为网络训练阶段步骤4.3中输入全连接层的样本个数,表示第k个样本的交叉熵损失,表示第k个样本的IoU损失,λ为预设固定值。