面向少样目标检测的注意力解耦均匀正交特征空间优化
计算机视觉与模式识别
2025-06-30 v1
摘要
少样目标检测 (FSOD) 旨在检测新类别的受限样本，同时依赖于基本类别的丰富数据。现有FSOD方法主要基于Faster R-CNN检测器，将目标性识别和前景分类耦合于共享特征空间中。这一范式本质上建立了类别特定的目标性标准，并受限于不具代表性的新类别样本。为解决这一局限，我们提出均匀正交特征空间 (UOFS) 优化框架。首先，UOFS将特征空间解耦为两个正交分量，其中幅度编码目标性，角度编码分类。这种解耦使从基本类别传递类别无关的目标性知识到新类别成为可能。此外，实现解耦需要仔细注意两个挑战：(1)基本集合图像包含未标记的前景实例，导致潜在的新类别实例与背景之间的混淆。(2)角优化仅依赖基本类别的前景实例，导致角度分布对基本类别的过拟合。为解决这些挑战，我们提出混合背景优化 (HBO) 策略：(1)通过移除原始图像中的未标记实例构建纯背景基本集合，以提供无偏的基于幅度的目标性监督。(2)将原始基本集合中的未标记前景实例纳入角优化，以提高分布均匀性。此外，我们提出空间注意力解耦关联 (SADA) 模块以解决类别无关任务与类别特定任务之间的任务冲突。实验表明，我们的方法在基于耦合特征空间的现有方法之上显著优于。
引用
@article{arxiv.2506.22161,
title = {Attention-disentangled Uniform Orthogonal Feature Space Optimization for Few-shot Object Detection},
author = {Taijin Zhao and Heqian Qiu and Yu Dai and Lanxiao Wang and Fanman Meng and Qingbo Wu and Hongliang Li},
journal= {arXiv preprint arXiv:2506.22161},
year = {2025}
}