基于记忆对比学习的少样本有向目标检测方法 in 遥感图像

少样本目标检测（Few-shot object detection, FSOD）因其能够减少对大量标注数据的依赖而在遥感领域引起了广泛关注。然而,该领域仍面临两个挑战: (1) 轴对齐提议可能导致对任意方向目标出现对齐问题; (2) 标注数据的稀缺仍限制了对未见目标类别的性能。为解决这些问题,本文提出了一种 novel 少样本有向目标检测方法,名为基于记忆对比学习的少样本有向目标检测（Few-shot Oriented object detection with Memorable Contrastive learning, FOMC）。具体而言,我们采用有向边界框而非传统的水平边界框,以学习任意方向航空目标的更佳特征表示,从而提升检测性能。到目前为止,我们是首次在遥感图像的少样本设置下解决有向目标检测问题。为应对对象误分类的挑战,我们引入了一个带有动态更新内存库的监督对比学习模块。该模块允许使用大批量负样本,增强模型对未知类别学习判别特征的能力。我们在 DOTA 和 HRSC2016 数据集上进行了全面实验,我们的模型在少样本有向目标检测任务上实现了最先进的性能。代码和预训练模型将公开 release。