Para enfrentar as dificuldades na detecção de animais selvagens e a baixa precisão causadas pelo pequeno tamanho da amostra do conjunto de dados de animais selvagens e pela variabilidade na escala dos alvos, propõe-se um algoritmo de detecção de animais selvagens com poucas amostras baseado na extração de contexto multiescala (MS-FSWD). Primeiro, através do módulo de extração de contexto multiescala, a capacidade do modelo de perceber animais selvagens de diferentes escalas é aprimorada, melhorando o desempenho da detecção; em seguida, o Res2Net é introduzido como uma potente rede de classificação para o módulo de calibração de protótipos para corrigir as pontuações de classificação do classificador; depois, um mecanismo de atenção por permutação é adicionado ao RPN para fortalecer os mapas de características da região-alvo e atenuar as informações de fundo; por fim, a perda L1 balanceada é utilizada como função de perda de localização para aprimorar o desempenho da localização do alvo. Os resultados experimentais mostram que, em comparação com o algoritmo DeFRCN, o MS-FSWD aumenta o AP50 das novas classes em 9,9% e 6,6% nas tarefas de detecção 1-shot e 3-shot, respectivamente, na pequena base de dados FSWA; na base de dados pública PASCAL VOC, o MS-FSWD obteve uma melhoria máxima de 12,6%. Em comparação com o algoritmo VFA, na tarefa 10-shot do Novel Set 3 do PASCAL VOC, o AP50 das novas classes melhorou em 3,3%.

Detecção de objetos com poucas amostras;Detecção de animais selvagens;Aprendizado por transferência;Extração de contexto multiescala;Mecanismo de atenção