基于特征耦合注意力机制的小样本目标检测方法

来源：计算机技术与发展杂志2025年第04期北京时间：

作者：易炟;陈东方;王晓峰;

单位：1. 武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;2. 智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065

摘要：在当前基于元学习的小样本目标检测方法中,查询图像和支持图像的特征提取过程往往在进行最终特征融合之前是独立进行的,缺乏有效的信息交互,这导致查询特征的代表性信息不足,尤其在样本极度有限的情况下更为显著。 为解决这一问题,提出了一种基于特征耦合注意力机制的小样本目标检测方法(FC-FSOD)。 FC-FSOD 以 Faster-RCNN 作为基础网络架构,并在此基础上进行了创新。 首先,设计了特征增强耦合模块,该模块增强了支持特征,使其成为更具代表性的支持原型;其次,通过注意力机制将原型与查询特征进行耦合,赋予查询特征以特定于支持特征的感知信息;再次,综合考虑查询图像的 ROI 特征与类级原型之间的差异性和相似性,设计了一种更为鲁棒的特征融合策略;最后,对分类和回归任务进行了解耦处理,消除了全局平均池化对回归预测的负面影响。 在 PASCAL VOC 和 MS COCO 这两个公开数据集上的实验结果表明,该方法在多种小样本场景中的检测精度均有明显提升。

关键词：小样本学习;目标检测;元学习;特征耦合;特征融合;任务解耦