摘要

近年来，目标检测领域取得了巨大进展，然而当前先进的检测器在处理尺度受限的目标时仍面临显著挑战。具体而言，先验框（priors）与真实目标区域之间重叠度较低，导致可用于优化的正样本池受限；同时，这类小目标缺乏足够的判别性信息，进一步加剧了识别难度。为缓解上述问题，本文提出一种面向小目标检测的两阶段框架——CFINet，该框架基于“粗到细”（Coarse-to-fine）的处理流程与特征仿生学习（Feature Imitation learning）机制。首先，我们引入“粗到细区域提议网络”（Coarse-to-fine RPN, CRPN），通过动态锚框选择策略与级联回归机制，为小目标生成数量充足且质量更高的候选区域。其次，我们在传统检测头中引入一个特征仿生（Feature Imitation, FI）分支，以仿生方式增强尺度受限实例的区域特征表达，从而缓解模型在识别过程中的困惑。此外，我们设计了一种基于监督对比学习范式的辅助仿生损失函数，用于优化该分支的训练。将CFINet与Faster R-CNN结合后，其在大规模小目标检测基准数据集SODA-D与SODA-A上均取得了当前最优性能，充分验证了其相较于基线检测器及其他主流检测方法的优越性。