融合多尺度特征与注意力的小样本目标检测

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(Atrous Spatial Pyramid Pooling)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PASCAL VOC与MS COCO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