摘要

尽管近期进展显著提升了少样本分类（Few-Shot Classification, FSC）的性能，少样本目标检测（Few-Shot Object Detection, FSOD）对现代学习系统而言仍具挑战性。现有FSOD系统沿用FSC的方法，忽视了空间可变性与不确定表征等关键问题，导致性能低下。针对这一现状，本文提出一种新颖的双感知注意力机制（Dual-Awareness Attention, DAnA），使网络能够自适应地理解给定的支持图像。DAnA将支持图像转换为查询位置感知（Query-Position-Aware, QPA）特征，通过为查询图像的每个局部区域动态分配定制化的支持信息，精准引导检测网络。此外，所提出的DAnA模块具有良好的灵活性与可扩展性，可无缝集成至多种主流目标检测框架。在引入DAnA后，原本未专为少样本学习设计的典型检测网络——Faster R-CNN与RetinaNet——在FSOD任务中达到了当前最优性能。相较于以往方法，本模型在多种评估设置下性能显著提升47%（+6.9 AP），展现出卓越的泛化能力与鲁棒性。