基于原型的少样本目标检测适应方法

少样本目标检测 (FSOD) 常因仅 disponible 少量新样本而 suffer 从基类偏差和校准不稳定。我们提出了原型驱动对齐 (PDA)，一种轻量级、可插入的度量头，用于 DeFRCN，提供基于原型的“第二意见”，补充线性分类器。PDA 在可学习的身份初始化投影空间中维护 support-only prototypes，并可选用原型条件化 RoI 对齐以减少几何不匹配。在微调期间，原型可以通过在标记前景 RoIs 上进行 EMA 更新进行适应——无需引入类别特定参数——在推理时冻结原型以确保严格的协议合规。PDA 采用最佳-K 匹配方案以捕获类内多模态性，并使用温度缩放融合度量相似性与检测 logits。在 VOC FSOD 和 GFSOD 基准测试中实验表明，PDA 在几乎不影响基类性能的情况下，持续改进了 novel-class 性能，同时计算开销可忽略不计。