买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广西师范大学申请的专利一种基于小样本的目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116071660B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310230379.4，技术领域涉及：G06V20/10；该发明授权一种基于小样本的目标检测方法是由陆声链;容仕军;李帼设计研发完成，并于2023-03-10向国家知识产权局提交的专利申请。

本一种基于小样本的目标检测方法在说明书摘要公布了：本发明公开了一种基于小样本的目标检测方法，包括如下步骤：S1：图像采集；S2：图像预处理；S3：构建小样本目标检测模型；S4：分别使用基类数据集和新类数据集对小样本目标检测模型进行两个阶段的训练；S5：利用步骤S4得到的网络模型进行测试。这种方法减少了目标检测算法对大量训练数据的依赖，缓解数据获取难，人工标注数据成本高的问题，缓解了不同模块间相互影响以至性能降低的矛盾，在不增加训练成本的前提下提高了检测的性能；减少了因为分类错误而导致的检测结果错误，提高了模型的分类性能。

本发明授权一种基于小样本的目标检测方法在权利要求书中公布了：1.一种基于小样本的目标检测方法，其特征在于，包括如下步骤： S1：图像采集：在真实环境中，使用图像采集设备对拟测目标进行实景拍摄，获取待测目标的图像； S2：图像预处理：将获取的图像的格式统一转换成JPG格式，并将图像大小统一为1920x1280像素，使用LabelImg标注软件对每张图像中的目标进行标注，构建小样本目标检测数据集，数据集遵循PascalVOC的标注格式和目录结构，并按照小样本目标检测的划分方法，按照不同的样本数量，采用随机采样对样本进行采样，划分出微调阶段的新类数据集，并生成数据划分的配置文件； S3：构建小样本目标检测模型，以FasterR-CNN作为小样本目标检测的基本框架，该框架主要由主干特征提取网络、RPN网络和检测网络组成，并在此框架的基础上，加入了梯度解耦模块、对比编码模块； 主干特征提取网络：由主干网络和FPN构成，主干网络采用残差结构的ResNet101，包含一个7x7的卷积层Conv1和四个残差结构Conv2_x、Conv3_x、Conv4_x、Conv5_x，四个残差结构分别输出4个特征图CM2、CM3、CM4、CM5，FPN分别使用1x1的卷积层调整输入特征图的通道数，然后通过上采样将特征图CM2、CM3、CM4、CM5进行融合，得到融合后的特征图M2、M3、M4、M5，融合后的特征图再分别经过3x3的卷积层后得到特征图P2、P3、P4和P5，并在P5的基础上使用Maxpool操作进行下采样得到特征图P6； RPN网络：用于在特征图P2、P3、P4、P5和P6上预测候选区域，并将候选区域映射到特征图P2、P3、P4和P5中，作为后续网络的输入； 检测网络：包含ROIpooling层、ROI特征提取器、分类器和回归器； ROIpooling层将RPN网络生成的候选区域作为输入，对主干特征提取网络输出的特征P2、P3、P4、P5和P6进行ROIpooling操作，生成不同尺度的候选区域特征并将其统一为7x7的尺寸进行特征输出； ROI特征提取器由全连接层组成，负责提取整体的特征信息，融合全局特征和候选区域特征，输出到分类器和回归器用于检测； 分类器负责确定目标候选框中目标的类别信息，分类损失为交叉熵损失，如下所示： ； 其中，为目标的真实标签，为分类器预测的softmax概率分布，表示分类器预测当前候选区域为类别的概率； 回归器负责调整目标候选框的位置，回归损失为Smoothed-L1损失，如下所示： ； ， 其中，为回归器预测的对应类别u的边界框回归参数，v为真实目标的边界框回归参数，为Smoothed-L1函数； 梯度解耦模块：该模块的作用是调节不同模块之间耦合程度，缓解因为子模块的优化目标不一致，从而导致单个任务的非最优解问题，梯度解耦模块用于主干特征提取网络和RPN网络之间，以及主干特征提取网络和检测网络之间，用来调节主干特征提取网络与RPN网络和检测网络之间的耦合程度，缓解RPN网络和检测网络因为共享主干网络，导致不同网络间相互影响以至性能降低的问题； 在前向传播过程中，解耦模块进行仿射变换Ax，将来自主干网络的特征图映射到新的特征空间中，仿射变换由可训练的通道权重ω和偏置b进行参数化，在反向传播过程中，解耦模块将反向梯度乘以常数λ，从而调节反向传播的梯度权重，正向传播和反向传播通过下面的式子来表示： ， ， 其中，表示梯度解耦，是仿射变换操作，是解耦系数，是解耦模块下游的损失，即RPN网络的损失或检测网络的损失； 对比编码模块：对比编码模块借鉴了对比学习的方法，用来减少类别内的差异，增大类别间的差异，增强模型分类的性能，在该模块，采用基于余弦相似度函数的分类器，对比编码模块与分类器和回归器平行，插入到ROI特征提取器的后面，将1x1024的特征转化为1x128的特征，计算特征的相似性并添加对比损失函数来增加相同类别建议框的认同和不同类别之间的区分； S4：分别使用基类数据集和新类数据集对小样本目标检测模型进行两个阶段的训练： S4-1:第一阶段，使用PascalVOC作为基类数据集，训练网络的通用特征提取能力，即使用随机梯度下降作为优化函数，标准批次大小为16，动量为0.9，权重衰减为0.0001，初始学习率设置为0.02，对于梯度解耦模块的解耦系数，用于RPN网络的设为0，用于检测网络的设为0.75；在本阶段只对模型的主干特征提取网络、梯度解耦模块、RPN网络和检测网络进行训练； S4-2：第二阶段，将需要训练的小样本目标检测数据集作为新类，对基类和新类数据集的所有类别，分别采样相同数量的样本作为训练数据，对模型进行微调，训练样本按照5个样本、10个样本、15个样本和30个样本对小样本训练集进行随机采样获得； 在该阶段，首先会加载步骤S4-1得到的模型参数，然后冻结主干网络ResNet101和ROIpooling层的参数，不参与微调训练，同时对FPN、RPN网络、对比编码模块、对比编码模块、以及不包含ROIpooling层的检测网络进行联合微调训练，学习率采用MultiStepLR策略，训练时按照设定的步长间隔调整学习率，初始学习率设定为0.001； S5：利用步骤S4得到的网络模型进行测试：将要检测的目标图像输入步骤S4得到的网络模型，由该模型输出检测到的目标的类别、定位边界框和置信度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广西师范大学，其通讯地址为：541004 广西壮族自治区桂林市七星区育才路15号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。