(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211120038.3 (22)申请日 2022.09.14 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 阳隆荣　李宏亮　邱荷茜　王岚晓　 吴庆波　孟凡满　许林峰　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 邹裕蓉 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 基于扩展锚点理论的小样本目标检测方法 (57)摘要 本发明提供一种基于扩展锚点理论的小样 本目标检测方法， 包括伪标签初始化步骤、 伪标 签细化步骤以及目标检测模型微调步骤。 从基类 图像中挖掘潜在的新类目标， 并修正挖掘出来的 新类目标的伪标签。 基于候选框间的位置关系以 及语义关系， 将与实例相关的标签噪声转移矩阵 分解为若干与实例无关的标签噪声转移矩阵， 并 利用锚点理论对 标签噪声转移矩阵进行估计， 得 到候选框属于某一类的真实概率。 相比于标准的 伪标签生 成方式， 该方法有效提升了伪标签的质 量， 并极大提高了目标检测模型在小样本新类上 的检测精度。 权利要求书1页 说明书6页 附图1页 CN 115482432 A 2022.12.16 CN 115482432 A 1.基于扩展锚点理论的小样本目标检测方法， 其特 征在于， 包括以下步骤： 1.伪标签初始化 步骤： 利用初始目标检测模型对输入的基类图像中的新类候选框进行预测， 得到新类候选框 在各目标类别上 的类别置信度； 当新类候选框有类别置信度高于设置阈值时， 则保留该新 类候选框， 并将类别置信度最高所对应的目标类别作为该新类候选 框的初始化伪标签； 2.伪标签细化 步骤： 2‑1设置第一交并比阈值与第二交并比阈值， 计算新类候选框和各基类目标间的最大 交并比； 第二交并比阈值大于第一交并比阈值， 第一和第二交并比阈值用于确定不同类型 的候选框； 当最大交并比大于第 二交并比阈值， 将新类候选框的伪标签修正为最大交并比所对应 的基类标签， 进入步骤3； 当最大交并比在第 一交并比阈值与第 二交并比阈值之间， 则将该新类候选框视为背景 候选框， 再执行步骤2‑2； 当最大交并比小于第一交并比阈值， 则执 行步骤2‑3； 2‑2利用锚点理论和已知锚点估计标签噪声转移概率P(i′|yb)以及P(i′|i)， 其中， P(A| B)表示当条件B时， A的概率，′为伪标签标记， 再通过贝叶斯公式得到伪标签是第i类时标签 是背景yb的概率P(yb|i′)以及伪标签是第i类 时标签是第i类的概率P(i|i ′)， 将概率P(yb| i′)与概率P(i|i ′)进行比较， 当P(i|i ′)<P(yb|i′)， 则将新类候选框的伪标签修正为背景 标签yb之后进入步骤3， 当P(i|i ′)≥P(yb|i′)， 则保持新类候选框的伪标签为第i类之后进 入步骤3； 2‑3找到新类候选框的邻域候选框， 统计邻域候选框各目标类别上的类别置信度均值； 对于新类候选框的初始伪标签为第i类， 判断是否存在其邻域候选框在其他新类j上的类别 置信度均值高于在第i类上 的类别置信度均值的情况， 如是则将该候选框命名为不正确的 新类候选 框， 执行步骤2‑4， 否则保持新类候选 框的伪标签为第i类之后进入步骤3； 2‑4利用锚点 理论和已知锚点估计标签噪声转移概率P(i′|j)以及P(i′|i)， 再通过贝叶 斯公式得到伪标签是第i类时标签是第j 类的概率P(j|i ′)以及伪标签是第i类时标签是第i 类的概率P(i|i ′)， 将概率P(j| i′)与概率P(i| i′)进行比较， 当P(i|i ′)<P(j|i′)， 则将新类 候选框的伪标签修正为第j类之后进入步骤3， 当P(i|i ′)≥P(j|i ′)， 则保持新类候选框的 伪标签为第i类之后进入步骤3； 3.目标检测模型微调步骤： 将新类候选框以及对应的伪标签输入至目标检测模型进行模型微调， 从而得到微调后 的目标检测模型。 2.如权利要求1所述方法， 其特征在于， 伪标签初始化步骤中， 设置阈值为自适应 阈值； 自适应阈值 为新类候选 框在各目标类别上的类别置信度的均值和方差之和。 3.如权利要求1所述方法， 其特征在于， 利用扩展锚点理论得到不同组样本的标签噪声 转移概率， 并基于该概 率对伪标签进行修 正。权　利　要　求　书 1/1 页 2 CN 115482432 A 2基于扩展锚点理论的小样本目标 检测方法 技术领域 [0001]本发明涉及小样本目标检测FSOD(Few ‑shot Object Detection)技术， 特别涉及 一种基于扩展锚点理论EAT(Extended  Anchor Theory)的潜在新类目标挖掘技 术。 背景技术 [0002]伴随着深度学习技术的发展， 计算机视觉技术被广泛应用于人们的日常生活中。 大量的带标记图像被用于训练高性能的计算机视觉模型。 然而， 数据有时难以获取。 在数据 不足的情况下， 难以训练得到高性能的计算机视觉模型。 为在数据不足的情况下有效训练 计算机视觉模型， 小样本问题被提出。 其中， 小样 本目标检测任务被广泛关注， 该任务中， 存 在两部分数据， 基 类数据标记数据充足， 新类数据标记数据少， 基 类和新类不相交。 [0003]目前， 现有的小样本目标检测方法主要基于迁移学习， 其可大致分为两步： 第一 步， 利用充足的基类标记数据训练目标检测模型， 得到基类目标检测模型； 第二步， 不更新 目标检测模型中特征提取主干网络的模型参数， 用少量新类带标记数据微调模型， 得到新 类的目标目标检测模型。 改进算法包括从基类图像中提取更准确的通用原型， 以在微调阶 段辅助新类训练； 增大类间距离， 避免类间混淆问题； 显示或隐式构建基类和新类之 间的语 义关系， 利用基 类辅助新类分类。 发明内容 [0004]本发明所要解决的技术问题是， 提供一种尝试挖掘基类图像中的潜在新类， 并修 正潜在新类的伪标签， 在小样本目标检测FSOD(Few ‑shot Object Detection)任务中一种 基于扩展锚点理论EAT(Extended  Anchor Theory)的潜在新类目标挖掘方法。 [0005]本发明为解决上述技术问题所采用的技术方案是， 基于扩展锚点理论的小样本目 标检测方法， 包括 步骤： [0006]1.伪标签初始化 步骤： [0007]利用初始目标检测模型对输入的基类图像中的新类候选框进行预测， 得到新类候 选框在各目标类别上 的类别置信度； 当新类候选框有类别置信度高于设置阈值时， 则保留 该新类候选框， 并将类别置信度最高所对应的目标类别作为该新类候选框的初始化伪标 签； [0008]2.伪标签细化 步骤： [0009]2‑1设置第一交并比阈值与第二交并比阈值， 计算新类候选框和各基类目标间的 最大交并比； 第二交并比阈值大于第一交并比阈值， 第一和第二交并比阈值用于确定不同 类型的候选 框； [0010]当最大交并比大于第二交并比阈值， 将新类候选框的伪标签修正为最大交并比所 对应的基 类标签， 进入步骤3； [0011]当最大交并比在第一交并比阈值与第二交并比阈值之间， 则将该新类候选框视为 背景候选 框， 再执行步骤2‑2；说　明　书 1/6 页 3 CN 115482432 A 3