融合双分支优化SAM与全局-局部协同匹配的单样本目标检测方法

来源：电子与信息学报杂志2025年第12期北京时间：

作者：樊盛华, 尹航, 刘俭, 瞿涛

单位：1.武汉大学计算机学院 武汉 4300722.中国科学院空天信息创新研究院 北京 100094

摘要：单样本目标检测(OSOD)可有效缓解传统目标检测对大规模标注数据的依赖，但现有方法存在新类别特征表达不足、类间相似性高导致判别边界模糊等问题。为此，该文提出基于双分支优化SAM与全局-局部协同匹配的单样本目标检测算法DOS-GLNet。首先，设计基于SAM的双分支微调特征提取网络：全局微调分支通过在SAM的编码器中插入轻量级适配模块，在保留通用视觉表征能力的同时适配检测任务；局部感知分支通过卷积网络提取局部空间节并与全局特征跨层融合，弥补SAM局部信息缺失；结合多尺度特征生成模块，将SAM单尺度特征扩展为多尺度特征金字塔，适配不同尺寸目标检测需求。其次，构建全局-局部协同的两阶段匹配机制：全局匹配模块(GMM)通过余弦相似度度量查询与目标特征的全局相关性，引导区域提议网络生成高质量候选区域；双向局部匹配模块(BLMM)通过稠密4D相关性张量捕捉查询与目标的双向语义关系，实现细粒度特征对齐。在Pascal VOC与MS COCO数据集上的实验表明，DOS-GLNet相较于主流OSOD算法在检测精度上具有显著优势，消融实验验证了各创新模块对检测性能的有效增益，可降低深度学习目标检测网络对海量标注数据的依赖。

关键词：目标检测, 单样本学习, 分割一切模型, 特征提取增强, 两阶段匹配

基金资助：国家自然科学基金(82571371)