首页 > 分享 > 基于多维超球面特征一致性正则化的小样本害虫检测方法

基于多维超球面特征一致性正则化的小样本害虫检测方法

花匠小妙招
2024-11-09 06:11

摘要：本发明公开了一种基于多维超球面特征一致性正则化的小样本害虫检测方法，涉及小样本检测的技术领域，包括获取现有害虫数据集，构建基类支持集、基类查询集、小样本支持集和小样本查询集；利用基类支持集和基类查询集对构建的小样本害虫检测模型进行第一阶段训练优化，当总损失函数值达到最小时，获得初训练的小样本害虫检测模型；利用小样本支持集和小样本查询集对初训练的小样本害虫检测模型进行第二阶段训练优化，当总损失函数值达到最小时，获得优化后的小样本害虫检测模型；将待检测的小样本害虫图片输入优化后的小样本害虫检测模型中，获得检测结果。本发明能够在害...

权利要求：

1.一种基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，包括： S1：获取现有害虫数据集，基于所述现有害虫数据集构建基类支持集、基类查询集、小样本支持集和小样本查询集； S2：构建小样本害虫检测模型，并设置总损失函数； S3：将所述基类支持集和基类查询集输入构建的小样本害虫检测模型进行第一阶段训练优化，当总损失函数值达到最小时，获得初训练的小样本害虫检测模型； S4：将所述小样本支持集和小样本查询集输入初训练的小样本害虫检测模型进行第二阶段训练优化，当总损失函数值达到最小时，获得优化后的小样本害虫检测模型； S5：将待检测的小样本害虫图片输入优化后的小样本害虫检测模型中，获得检测结果。 2.根据权利要求1所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述现有害虫数据集包括基类数据集和新类数据集；基于所述基类数据集构建基类支持集和基类查询集；基于所述基类数据集和新类数据集，构建小样本支持集和小样本查询集。 3.根据权利要求2所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述小样本害虫检测模型包括第一Embedding网络模块、第二Embedding网络模块、变分自编码器模块、第一特征聚合点、超球面特征一致性正则化模块、第一全连接层和第二全连接层；所述第一Embedding网络模块和第二Embedding网络模块的输入端为小样本害虫检测模型的输入端；所述第一Embedding网络模块的输出端分别与第一特征聚合点和超球面特征一致性正则化模块的输入端连接；所述第二Embedding网络模块的输出端与变分自编码器模块的输入端连接，变分自编码器模块的输出端分别与第一特征聚合点和超球面特征一致性正则化模块的输入端连接；所述第一特征聚合点的输出端与第一全连接层的输入端连接；所述超球面特征一致性正则化模块的输出端与第二全连接层的输入端连接；所述第一全连接层和第二全连接层的输出端为小样本害虫检测模型的输出端。 4.根据权利要求3所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述第一Embedding网络模块和第二Embedding网络模块的结构相同且共享参数，均包括骨干网络、RPN网络和感兴趣区域池化层；所述骨干网络的输入端为Embedding网络模块的输入端，骨干网络的输出端分别与RPN网络和感兴趣区域池化层的输入端连接；RPN网络的输出端与感兴趣区域池化层的输入端连接，感兴趣区域池化层的输出端为Embedding网络模块的输出端。 5.根据权利要求3所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述变分自编码器模块包括依次连接的编码器、采样层和解码器。 6.根据权利要求3所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述超球面特征一致性正则化模块包括依次连接的多层感知机和第二特征聚合点。 7.根据权利要求3所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述总损失函数包括分类损失函数、余弦损失函数和二进制交叉熵损失函数，具体为： L＝αLcls+βLc+γLHCR 式中L表示总损失函数值，Lcls表示分类损失函数值，Lc表示余弦损失函数值，LHCR表示二进制交叉熵损失函数，α,β,γ分别表示第一、二、三损失权重。 8.根据权利要求7所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述步骤S3包括： S3.1：将所述基类查询集输入第一Embedding网络模块进行特征提取，获得基类查询集实例特征；将所述基类支持集输入第二Embedding网络模块中，依次经第二Embedding网络模块进行特征提取、变分自编码器模块进行编码，获得基类支持集实例变分特征； S3.2：将所述基类查询集实例特征和基类支持集实例变分特征输入第一特征聚合点进行特征聚合，获得第一基类聚合特征；将所述查询集实例特征和支持集实例变分特征输入超球面特征一致性正则化模块中进行多维度超球面映射，获得第二基类聚合特征； S3.3：将所述第一基类聚合特征输入第一全连接层中，获得基类查询集的第一图片预测标签及其预测概率；将所述第二基类聚合特征输入第二全连接层中，获得基类查询集的第二图片预测标签及其预测概率； S3.4：基于分类损失函数，根据基类查询集的第一图片预测标签与基类查询集的图片真实标签，计算分类损失函数值；基于余弦损失函数，根据基类查询集的第二图片预测标签与基类查询集的图片真实标签，计算的余弦损失函数值；基于二进制交叉熵损失函数，根据基类查询集的第一图片预测标签的预测概率和基类查询集的第二图片预测标签的预测概率，计算不同维度的预测概率损失值，并利用该预测概率损失值对第一全连接层进行一致性约束； S3.5：根据分类损失函数值、余弦损失函数值和预测概率损失值计算总损失函数值； S3.6：更新小样本害虫检测模型的模型参数，重复步骤S3.1-3.5，直到总损失函数值达到最小，将对应的模型参数保存为初始模型参数，获得初训练的小样本害虫检测模型。 9.根据权利要求8所述的基于多维超球面特征一致性正则化的小样本害虫检测方法，其特征在于，所述步骤S4包括： S4.1：将所述初训练的小样本害虫检测模型中第一Embedding网络模块、第二Embedding网络模块、变分自编码器模块、第一特征聚合点、超球面特征一致性正则化模块的初始模型参数进行冻结； S4.2：将所述小样本查询集输入第一Embedding网络模块进行特征提取，获得小样本查询集实例特征，基于所述小样本查询集实例特征计算第一全连接层的初始化类别权重并保存； S4.3：将所述小样本查询集输入第一Embedding网络模块进行特征提取，获得小样本查询集实例特征；将所述小样本支持集输入第二Embedding网络模块中，依次经第二Embedding网络模块进行特征提取、变分自编码器模块进行编码，获得小样本支持集实例变分特征； S4.4：将所述小样本查询集实例特征和小样本支持集实例变分特征输入第一特征聚合点进行特征聚合，获得第一小样本聚合特征；所述小样本查询集实例特征和小样本支持集实例变分特征输入超球面特征一致性正则化模块中进行多维度超球面映射，获得第二小样本聚合特征； S4.5：将所述第一小样本聚合特征输入第一全连接层中，获得小样本查询集的第一图片预测标签及其预测概率；将所述第二小样本聚合特征输入第二全连接层中，获得小样本查询集的第二图片预测标签及其预测概率； S4.6：基于分类损失函数，根据小样本查询集的第一图片预测标签与小样本查询集的图片真实标签，计算分类损失函数值；基于余弦损失函数，根据小样本查询集的第二图片预测标签与小样本查询集的图片真实标签，计算的余弦损失函数值；基于二进制交叉熵损失函数，根据小样本查询集的第一图片预测标签的预测概率和小样本查询集的第二图片预测标签的预测概率，计算不同维度的预测概率损失值，并利用该预测概率损失值对第一全连接层进行一致性约束； S4.7：根据分类损失函数值、余弦损失函数值和预测概率损失值计算总损失函数值； S4.8：更新第一全连接层和第二全连接层的网络参数，重复步骤S4.3-4.7，直到总损失函数值达到最小，将对应的第一全连接层和第二全连接层的网络参数保存为第一全连接层和第二全连接层的最终网络参数，获得优化后的小样本害虫检测模型。 10.一种基于多维超球面特征一致性正则化的小样本害虫检测系统，用于实现权利要求1-9任一项所述检测方法，其特征在于，包括：数据获取构建模块，用于获取现有害虫数据集，基于所述现有害虫数据集构建基类支持集、基类查询集、小样本支持集和小样本查询集；模型构建模块，用于构建小样本害虫检测模型，并设置总损失函数；模型一阶段训练模块，用于将所述基类支持集和基类查询集输入构建的小样本害虫检测模型进行第一阶段训练优化，当总损失函数值达到最小时，获得初训练的小样本害虫检测模型；模型二阶段训练模块，用于将所述小样本支持集和小样本查询集输入初训练的小样本害虫检测模型进行第二阶段训练优化，当总损失函数值达到最小时，获得优化后的小样本害虫检测模型；害虫检测模块，用于将待检测的小样本害虫图片输入优化后的小样本害虫检测模型中，获得检测结果。