计算机应用

作者：魏利利, 闫丽蓉, 唐晓芬

单位：1.宁夏大学 信息工程学院，银川 750021；2.宁夏“东数西算”人工智能与信息安全重点实验室（宁夏大学），银川 750021

关键词：小样本目标检测,丰富语义信息,特征信息匹配,空间上下文,像素关系映射

基金：国家自然科学基金资助项目(61966029)

小样本目标检测中因为支持样本稀缺且可利用的类别信息不足，所以有效利用有限样本的特征信息尤为重要。通过丰富支持样本和查询样本中可用的语义信息，能够实现查询特征和支持特征更全面的信息匹配，这有助于模型在小样本场景下理解目标类别，进而有效地实现目标检测。因此，提出一种基于空间上下文和像素关系的模型。设计空间上下文学习模块以辅助像素构建局部上下文区域，从而为中心像素获取区域内的像素语义，并丰富图像的特征信息。此外，针对空间上下文容易引入噪声信息的问题，设计像素上下文关系模块以利用图像中的原始特征知识探索像素之间的关系，并构建类内和类间关系映射图，从而纠正空间上下文学习模块容易引入噪声信息的缺陷。实验结果表明，在PASCAL VOC数据集上进行3种划分时，与VFA（Variational Feature Aggregation）相比，所提模型在样本极其稀缺的1-shot设置下的平均精度（AP50）分别提升2.7、2.0和1.3个百分点。在MS COCO数据集上的10-shot和30-shot设置下，与VFA相比，所提模型的AP分别提升0.4和0.6个百分点；与Meta FR-CNN（Meta Faster R-CNN）相比，所提模型的AP50分别提升11.4和8.7个百分点。可见，所提方法通过更有效地利用有限特征信息提升了对新类样本的识别能力，对只能获取极少量样本的特殊场景下的目标检测模型泛化能力的提升具有参考价值。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期