Um die Schwierigkeiten bei der Wildtiererkennung und die niedrige Erkennungsgenauigkeit zu adressieren, die durch die kleine Stichprobengröße des Wildtier-Datensatzes und die variable Zielskala verursacht werden, wird ein auf mehrskaliger Kontextgewinnung basierender Algorithmus zur Erkennung von Wildtieren mit kleinen Stichproben (MS-FSWD) vorgeschlagen. Zunächst wird die Wahrnehmungsfähigkeit des Modells für Wildtiere unterschiedlicher Skalen durch ein mehrskaliges Kontextextraktionsmodul verbessert, um die Erkennungsleistung zu steigern; zweitens wird Res2Net als leistungsstarkes Klassifizierungsnetzwerk für das Prototyp-Kalibrierungsmodul eingeführt, um die Klassifikationswerte des Klassifikators zu korrigieren; dann wird im RPN ein Permutations-Attention-Mechanismus integriert, um die Merkmalskarten der Zielregionen zu verstärken und Hintergrundinformationen abzuschwächen; schließlich wird der balancierte L1-Verlust als Lokalisierungsverlustfunktion verwendet, um die Ziel-Lokalisierungsleistung zu verbessern. Experimentelle Ergebnisse zeigen, dass MS-FSWD im Vergleich zum DeFRCN-Algorithmus den neuen Klassen-AP50 bei 1-shot- und 3-shot-Erkennungsaufgaben im kleinen Wildtier-Datensatz FSWA um jeweils 9,9 % bzw. 6,6 % verbessert; auf dem öffentlichen PASCAL VOC-Datensatz verbessert MS-FSWD sich um bis zu 12,6 %. Im Vergleich zum VFA-Algorithmus wird im 10-shot-Aufgabe des Novel Set 3 im PASCAL VOC-Datensatz ein Anstieg des AP50 der neuen Klassen um 3,3 % erzielt.

Objekterkennung mit kleinen Stichproben;Wildtiererkennung;Transferlernen;Mehrskalige Kontextextraktion;Aufmerksamkeitsmechanismus