En este artículo se presenta un enfoque para la detección de animales salvajes basado en la extracción de contextos a varias escalas para pequeñas muestras. En primer lugar, se mejora la capacidad del modelo para detectar animales salvajes a diferentes escalas mediante un módulo de extracción de contextos a varias escalas, lo que mejora el rendimiento de la detección. En segundo lugar, se introduce una red de calibración Res2Net como mecanismo para corregir las puntuaciones de salida del clasificador. Luego, se agrega un mecanismo de atención de reemplazo en RPN para mejorar el mapa de características de la región de destino y debilitar la información de fondo. Finalmente, se utiliza una pérdida L1 equilibrada como función de pérdida de localización para mejorar el rendimiento de la localización de los objetivos. Los resultados experimentales muestran que el enfoque MS-FSWD ha mejorado el rendimiento del nuevo clase AP50 en el conjunto de datos de animales salvajes FSWA en un 9,9% y un 6,6% en las tareas de detección 1-shot y 3-shot respectivamente, en comparación con el enfoque DeFRCN. En el conjunto de datos público PASCAL VOC, el enfoque MS-FSWD mejoró en un 12,6%. En comparación con el enfoque VFA, el enfoque MS-FSWD mejoró en un 3,3% en la tarea de 10-shot en el conjunto de datos PASCAL VOC Novel Set 3.

Detección de objetos en pequeñas muestras; detección de animales salvajes; aprendizaje por transferencia; extracción de contextos a varias escalas; mecanismo de atención