融合多尺度特征与注意力的小样本目标检测.pdfVIP

小型微型计算机系统2025年3月第3期

DOI:10.20009/ki.21-1106/TP.2023-0509

JournalofChineseComputerSystemsVol.46No.32025

融合多尺度特征与注意力的小样本目标检测

张英俊，甘望阳，谢斌红，张睿

（太原科技大学计算机科学与技术学院，太原030024）

E-mail:ganwangyang@

摘要：针对现有小样本目标检测模型存在的尺度变化问题，支持集与查询集之间的外观变化、遮挡导致的误检与漏检问题，

本文提出一种融合多尺度特征与注意力的小样本目标检测模型，首先，采用ResNet-101网络进行特征提取，同时引入ASPP

（AtrousSpatialPyramidPooling）模块获取不同的感受野，以捕获目标细节信息的多尺度特征.其次，采用Bi-FPN网络进行多尺

度特征融合，获得更具代表性的查询特征与支持特征，有效缓解尺度变化问题.然后，利用提出的注意力引导特征增强模块对查

询特征与支持特征进行自身关注，使得它们具有更好的判别能力，由此促进查询特征与支持特征的融合，以更好地应对外观变

化和遮挡带来的挑战，从而缓解误检、漏检问题.最后，将分类头与边界框回归头进行解耦，分别对RPN网络基于细粒度查询特

征产生的候选区域进行目标分类与目标定位.在PASCALVOC与MSCOCO数据集上的实验结果表明，所提模型的检测性能

优于主流的小样本目标检测模型，相较于基线模型DCNet,mAP平均分别提升了3.5%与2.1%.

关键词：小样本学习；元学习；目标检测；多尺度特征融合；注意力机制

中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)03-0689-08

Few-shotObjectDetectionIntegratingMulti-scaleFeatureandAttention

ZHANGYingjun,GANWangyang,XIEBinhong,ZHANGRui

(SchoolofComputerScienceandTechnology,TaiyuanUniversityofScienceandTechnology,Taiyuan030024,China)

Abstract:Aimingattheproblemsofscalevariation,thefalsedetectionandmisseddetectioncausedbytheappearancechangebetween

thesupportsetandthequerysetandocclusionintheexistingfew-shotobjectdetectionmodel,afew-shotobjectdetectionmodelthat

integratesmulti-scalefeaturesandattentionisproposedinthispaper.Firstly,theResNet-101networkisusedforfeatureextraction,and

theASPP(AtrousSpatialPyramidPooling)moduleisintroducedtoobtaindifferentreceptivefields,soastocapturethemulti-scale

featuresoftheobjectdetailinformation.Secondly,theBi-FPNnetworkisusedformulti-scalefeaturefusiontoobtainmorerepresenta-

tivequeryfeaturesandsupportfeatures,whichcaneffectivelyalleviatetheproblemofscalechange.Thir