FSP-DETR：基于原型的少样本寄生虫卵检测
计算机视觉与模式识别
2025-10-13 v1
摘要
生物医学环境中的目标检测根本受限于标注数据的稀缺以及新型或罕见类别的频繁出现。我们提出 FSP-DETR，一个统一的检测框架，使其能够在单个模型中实现稳健的少样本检测、开集识别以及对未见生物医学任务的泛化。基于类无关 DETR 主干构建，本方法从原始支持图像中构建类原型，并通过增强视图和轻量级 transformer 解码器学习嵌入空间。训练时联合优化原型匹配损失、基于对齐的分离损失和 KL 散度正则化，以提高稀缺监督下的判别特征学习和校准。与之前在孤立任务中处理这些任务的工作不同，FSP-DETR 在推理阶段提供灵活性，支持未见类别识别、背景消除和跨任务适应，无需重新训练。我们还引入了一个新的寄生虫种类检测基准，包含 20 个寄生虫类别，并建立了标准化评估协议。广泛的实验在寄生虫卵、血细胞和疟原虫检测任务上表明，FSP-DETR 在低样本和开集情形下显著优于先前的少样本和原型基检测器。
引用
@article{arxiv.2510.09583,
title = {FSP-DETR: Few-Shot Prototypical Parasitic Ova Detection},
author = {Shubham Trehan and Udhav Ramachandran and Akash Rao and Ruth Scimeca and Sathyanarayanan N. Aakur},
journal= {arXiv preprint arXiv:2510.09583},
year = {2025}
}
备注
10 pages, 3 Figures, 5 Tables. Under Review