Pour résoudre les difficultés de détection de la faune sauvage et la faible précision causées par la petite taille de l'échantillon du jeu de données sur la faune et la variabilité de l'échelle des cibles, un algorithme de détection de la faune sauvage à petits échantillons basé sur l'extraction de contexte multi-échelle (MS-FSWD) est proposé. Tout d'abord, la capacité du modèle à percevoir la faune à différentes échelles est améliorée via un module d'extraction de contexte multi-échelle afin d'améliorer les performances de détection; ensuite, Res2Net est introduit comme un réseau de classification puissant pour le module de calibrage du prototype afin de corriger les scores de classification du classificateur; puis, un mécanisme d'attention par permutation est ajouté dans le RPN pour renforcer les cartes de caractéristiques des régions cibles tout en atténuant les informations de fond; enfin, la perte L1 équilibrée est utilisée comme fonction de perte de localisation pour améliorer les performances de localisation des cibles. Les résultats expérimentaux montrent qu'en comparaison avec l'algorithme DeFRCN, MS-FSWD améliore l'AP50 des nouvelles classes de 9,9% et 6,6% respectivement pour les tâches de détection 1-shot et 3-shot sur le petit jeu de données FSWA ; sur le jeu de données public PASCAL VOC, MS-FSWD atteint une amélioration maximale de 12,6%. Par rapport à l'algorithme VFA, lors de la tâche 10-shot du Novel Set 3 sur PASCAL VOC, l'AP50 des nouvelles classes est améliorée de 3,3%.

Détection d'objets à petits échantillons;Détection de la faune sauvage;Apprentissage par transfert;Extraction de contexte multi-échelle;Mécanisme d'attention