基于空间-通道状态空间模型的少样本目标检测
计算机视觉与模式识别
2025-07-22 v1
摘要
由于在少样本目标检测(FSOD)中训练样本有限，我们注意到当前方法可能在准确提取每个通道的有效特征方面存在困难。具体而言，此问题体现在两个方面：i)具有高权重的通道未必有效，ii)具有低权重的通道仍可能具有重要价值。为处理这一问题，我们考虑利用通道间相关性来促进新模型的适应过程，以确保模型能够正确突出显示有效通道并纠正不正确的通道。由于通道序列也是一维的，其与时序序列的相似性启发我们采用Mamba来建模通道序列中的相关性。基于这一概念，我们提出了空间-通道状态建模(SCSM)模块，用于空间-通道状态建模，强调特征通道中有效模式的突出显示并纠正无效模式。在SCSM中，我们设计了空间特征建模(SFM)模块以平衡空间关系和通道关系的学习，然后引入基于Mamba的通道状态建模(CSM)模块以学习通道间的相关性。大量实验表明，SCSM模块使新型检测器在通道中突出显示焦点特征表示的质量得到提升，并在VOC和COCO数据集上实现领先技术。
引用
@article{arxiv.2507.15308,
title = {Few-Shot Object Detection via Spatial-Channel State Space Model},
author = {Zhimeng Xin and Tianxu Wu and Yixiong Zou and Shiming Chen and Dingjie Fu and Xinge You},
journal= {arXiv preprint arXiv:2507.15308},
year = {2025}
}