面向视觉域移迁下的少样本药丸识别评估

不良药物事件是可预防伤害的重要来源，促使开发自动化药丸识别系统以提升用药安全性。然而，这类系统在实际部署时受制于视觉复杂条件，包括杂乱场景、药丸重叠、反射以及多样化的获取环境。本研究从部署导向的角度探讨少样本药丸识别，优先考虑现实跨数据集域移迁下的泛化能力，而非架构创新。采用两阶段目标检测框架，即基座训练后进行少样本微调。模型通过每类仅使用 1、5 或 10 个标记样本适应新药丸类别，并在包含多目标、杂乱场景的独立部署数据集上进行评估。评估侧重分类导向和基于错误的指标，以应对异构标注策略。结果表明，语义药丸识别在少样本监督下即可快速适应，分类性能即使仅用一个标记样本即可达到饱和。然而，在重叠和遮挡条件下的压力测试显示，局部化和召回率显著下降，尽管语义分类稳健。在视觉上真实、多药丸数据上训练的模型在少样本情境下表现出更好的鲁棒性，凸显了训练数据真实性的重要性，以及少样本微调对部署就绪性诊断作用。