В данной статье представлен метод обнаружения диких животных на основе извлечения многомасштабного контекста для небольших выборок. Во-первых, улучшается возможность модели воспринимать диких животных различных масштабов с помощью модуля извлечения многомасштабного контекста, что повышает точность обнаружения. Во-вторых, для коррекции выходных оценок классификатора вводится сильная сеть калибровки Res2Net. Затем в RPN вводится механизм внимания замещения для усиления карт признаков области объекта и ослабления фоновой информации. И наконец, сбалансированная функция потерь L1 используется в качестве функции потерь размещения для повышения производительности размещения объекта. Результаты экспериментов показывают, что метод MS-FSWD улучшил производительность нового класса AP50 в наборе данных диких животных FSWA на 9.9% и 6.6% в задачах обнаружения 1-shot и 3-shot соответственно по сравнению с методом DeFRCN. На общем наборе данных PASCAL VOC метод MS-FSWD показал наивысшее улучшение на 12.6%. По сравнению с методом VFA, метод MS-FSWD продемонстрировал улучшение на 3.3% в задаче 10-shot на наборе данных PASCAL VOC Novel Set 3.

Обнаружение малых объектов; обнаружение диких животных; передаточное обучение; извлечение многомасштабного контекста; механизм внимания