Для решения проблем трудностей обнаружения диких животных и низкой точности обнаружения, вызванных малым объемом выборки в наборе данных диких животных и изменчивостью масштаба объектов, предложен алгоритм обнаружения диких животных с малыми образцами на основе многомасштабного извлечения контекста (MS-FSWD). Во-первых, с помощью модуля извлечения многомасштабного контекста усиливается способность модели воспринимать диких животных разных масштабов, что улучшает производительность обнаружения; во-вторых, вводится Res2Net в качестве мощной классификационной сети прототипа для корректировки оценок классификатора; затем в RPN добавляется механизм перестановочного внимания для усиления карт признаков целевых областей и ослабления фоновой информации; наконец, используется сбалансированная L1-функция потерь в качестве функции потерь локализации для улучшения точности локализации целей. Экспериментальные результаты показывают, что по сравнению с алгоритмом DeFRCN, MS-FSWD на наборе данных с малыми образцами диких животных FSWA повышает AP50 для новых классов на 9,9% и 6,6% в задачах обнаружения 1-shot и 3-shot соответственно; на публичном наборе данных PASCAL VOC MS-FSWD достигает улучшения до 12,6%. По сравнению с алгоритмом VFA, в задаче 10-shot новизны набора Novel Set 3 на PASCAL VOC AP50 улучшился на 3,3%.

Обнаружение объектов с малыми образцами;Обнаружение диких животных;Перенос обучения;Многомасштабное извлечение контекста;Механизм внимания