摘要

少样本目标检测（Few-shot Object Detection, FSOD）能够使检测器在仅有少量标注样本的情况下适应未见类别，尤其在人工标注耗时或数据获取受限的场景下具有重要应用价值。与以往依赖少样本分类技术来辅助FSOD的方法不同，本文强调了处理尺度变化问题的必要性——这一挑战源于特定的样本分布特性。为此，我们提出了一种多尺度正样本精炼（Multi-scale Positive Sample Refinement, MPSR）方法，用于在FSOD中丰富物体的尺度表示。该方法通过构建多尺度正样本（即物体金字塔）来增强特征表达，并在不同尺度上对检测结果进行精细化优化。我们将MPSR作为辅助分支集成到广受青睐的Faster R-CNN结合FPN（Feature Pyramid Network）的架构中，构建出一种性能强劲的FSOD解决方案。在PASCAL VOC和MS COCO两个基准数据集上的大量实验表明，所提方法达到了当前最优的检测性能，显著优于现有其他方法，充分验证了其有效性。相关代码已开源，地址为：https://github.com/jiaxi-wu/MPSR。