野生動物データセットのサンプル数が少なく、対象のスケールが多様であることによる検出の困難さや検出精度の低さの問題に対して、多尺度コンテキスト抽出に基づく少数サンプル野生動物検出（MS-FSWD）アルゴリズムを提案する。まず、多尺度コンテキスト抽出モジュールにより、モデルの異なるスケールの野生動物に対する認識能力を強化し、検出性能を向上させる。次に、Res2Netをプロトタイプキャリブレーションモジュールの強力な分類ネットワークとして導入し、分類子の出力する分類スコアを補正する。さらに、RPNにパーミュテーションアテンション機構を追加して、対象領域の特徴マップを強化し、背景情報を弱める。最後に、平衡L1損失を位置損失関数として用い、対象の位置特定性能を向上させる。実験結果は、DeFRCNアルゴリズムと比較して、MS-FSWDが小サンプル野生動物データセットFSWAにおける1-shotおよび3-shot検出タスクで新クラスのAP50をそれぞれ9.9％および6.6％向上させたことを示している。公開データセットPASCAL VOCでは、MS-FSWDが最大12.6％向上した。また、VFAアルゴリズムと比較して、PASCAL VOCデータセットのNovel Set 3における10-shotタスクで新クラスのAP50が3.3％向上した。

少数サンプル物体検出;野生動物検出;転移学習;多尺度コンテキスト抽出;注意メカニズム