(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211059351.0 (22)申请日 2022.08.31 (65)同一申请的已公布的文献号 申请公布号 CN 115131580 A (43)申请公布日 2022.09.30 (73)专利权人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 李磊　胡玉新　丁昊　喻小东　 闫国刚　高斌　梅寒　袁明帅　 崔婷婷　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 王文思(51)Int.Cl. G06V 10/44(2022.01) G06F 16/55(2019.01) G06F 16/583(2019.01) G06V 10/764(2022.01) 审查员 于淼 (54)发明名称 基于注意力机制的空间目标小样本识别方 法 (57)摘要 本发明提供一种基于注意力机制的空间目 标小样本识别方法， 涉及计算机视觉技术领域， 以解决对于具有光照不均与过曝严重特点的空 间图像， 现有的空间目标小样 本识别的精度不高 的技术问题。 该方法根据 支持样本集和查询样本 集， 采用嵌入 特征对齐网络的空间目标识别网络 模型来训练， 得到最终训练好的空间目标识别网 络模型， 以对待识别图像进行类别预测， 从而得 到更准确的预测结果。 本发明可对宽幅大场景空 间图像中的目标实例实现语义特征对齐， 抑制目 标特征“误对齐”现象， 增强同类别样本特征相关 性以及不同类别样本特征可分离性， 大幅提高空 间目标小样本识别的精度。 权利要求书3页 说明书10页 附图4页 CN 115131580 B 2022.11.22 CN 115131580 B 1.一种基于注意力机制的空间目标小样本识别方法， 其特 征在于， 包括： 获取支持样本集和查询样本集， 其中， 所述支持样本集包括多个已标记的空间图像样 本， 所述查询样本集 为多个未 标记的空间图像样本； 使用所述支持样本集和查询样本集作为训练数据， 来训练空间目标识别网络模型， 所 述空间目标识别网络模型依次包括特征提取网络、 特征对齐网络和度量网络， 其中， 所述特 征提取网络对输入的支持样本集和查询样本集进 行浅层特征提取， 获得所述查询样本集的 原始特征图 Xq和所述支持样本集的原始特征图 ； 所述特征对齐网络对所述原始特征图 Xq和 进行空间目标实例的特征对齐， 生成查询样本集的重构特征图 和支持样本集 的重构特征图 ； 所述度量网络将所述支 持样本集的类别标签通过距离度 量方式或相似 性度量方式传播至所述 查询样本集的核心网络； 将待识别图像输入训练好的空间目标识别网络模型， 输出所述待识别图像的预测类 别； 其中， 所述特征对齐网络对所述原始 特征图Xq和Xs进行目标实例的特征对齐， 生成查询 样本集的重构特 征图 和支持样本集的重构特 征图 ， 包括： 分别将所述查询样本集的原始特征图 Xq和所述支持样本集的原始特征图 Xs线性映射到 嵌入特征空间中， 获得编码特征 ， 其中， 所述编码特 征 分别为所述查询样本集的第 j个编码特征点、 所 述查询样本集的第 u个编码特征点、 所述支持样本集的第 i个编码特征点和所述支持样 本集 的第l个编码特 征点； 分别根据编码特征 ， 生成对应的新特征图 ； 对新特征图 和 分别采用不同参数设置的均 值 池化层进行 下采样， 生成多尺度的金字塔特 征图 ； 将所述金字塔特征图 和 在空 间维展开， 利用高斯核函数计算分布在嵌入特征空间内的金字塔特征图的任一特征点 和一编码特征点 之间的相似度 ， 以及金字塔特征图的另一特征点 和另一编码特 征点 之间的相似度 ， 获得注意力权 重矩阵Sqs和Ssq； 使用所述注意力权重矩阵 Sqs和Ssq作为权重系数， 分别用嵌入特征空间中的所述金字塔权　利　要　求　书 1/3 页 2 CN 115131580 B 2特征图 和 作为重构基底， 生成所述查询样本集的重构特征图 和支持样本集的重构特 征图 。 2.根据权利要求1所述的基于注意力 机制的空间目标小样本识别方法， 其特征在于， 所 述注意力权 重矩阵Sqs和Ssq根据以下公式来获得： 其中，T为在空间维展开过程的中间系数； 为查询样本的第 j个编码特征点； 为支持样本的第 i个编码特征点； 为支持样本的金字塔特征图 在空间维展开后的第 k个特征点； 为查询样本的金字塔特征图 在空间维展开后的第 v个特征点。 3.根据权利要求1所述的基于注意力 机制的空间目标小样本识别方法， 其特征在于， 所 述度量网络包括特 征再提取模块和查询分类 器， 其中： 所述特征再提取模 块对所述查询样本的重构特征图 和所述支持样本集的重构特征 图 进行二次特 征提取， 获得 所述查询样本和所述支持样本集的目标类别实例特 征； 所述查询分类器在所述空间目标识别网络模型的训练过程中使用， 通过引入所述查询 样本的类别 信息， 以优化所述特 征提取网络的参数。 4.根据权利要求1所述的基于注意力 机制的空间目标小样本识别方法， 其特征在于， 采 用近邻分类损失函数和查询分类损失函数的联合训练策略， 来训练所述空间目标识别网络 模型。 5.根据权利要求4所述的基于注意力 机制的空间目标小样本识别方法， 其特征在于， 所 述近邻分类损失函数根据以下 方式来构建： 以所述支持样本集的重构特征图 为参考， 度量所述查询样本 的原始特征 图Xq与所 述支持样本的重构特征图 中的每个特征点的距离， 利用最近距离对所述查询样本的类权　利　要　求　书 2/3 页 3 CN 115131580 B 3