摘要

少样本目标检测旨在仅通过少量支持样本，即可在查询图像中检测特定类别目标实例。尽管该方法相较于传统监督目标检测所需标注图像数量显著减少，从而降低了标注成本，但其性能仍远逊于常规目标检测方法。本文提出一种基于元学习的方法，充分考虑每个支持样本的独特特性。与以往简单地对支持样本信息进行平均以生成单一类别原型不同，本文方法将每个支持样本视为独立的原型，从而更充分地利用每个样本的信息。具体而言，我们引入了两种注意力机制来融合查询图像与支持样本的特征图：第一种机制通过注意力机制提取支持样本之间的共享信息，以优化少样本数据的特征表示；第二种机制则将每个支持样本作为类别编码，通过计算每个支持特征与查询特征之间的相似度，实现信息的有效利用。所提方法与现有方法具有良好的互补性，可无缝集成以进一步提升性能。我们在PASCAL VOC和COCO两个基准数据集上进行了实验验证，结果表明该方法具有显著有效性。尤其在支持数据具有较高多样性时，本文方法的优势表现得尤为突出。