Para abordar las dificultades en la detección de vida silvestre y la baja precisión causadas por el pequeño tamaño de la muestra del conjunto de datos de vida silvestre y la variabilidad en la escala de los objetivos, se propone un algoritmo de detección de vida silvestre de pocas muestras basado en la extracción de contexto multiescala (MS-FSWD). Primero, se mejora la capacidad del modelo para percibir animales salvajes de diferentes escalas mediante un módulo de extracción de contexto multiescala, mejorando el rendimiento de la detección; en segundo lugar, se introduce Res2Net como una red de clasificación potente para el módulo de calibración del prototipo para corregir las puntuaciones de clasificación del clasificador; luego, se añade un mecanismo de atención de permutación en el RPN para reforzar los mapas de características de la región objetivo y debilitar la información de fondo; finalmente, se utiliza la pérdida L1 balanceada como función de pérdida de localización para mejorar el rendimiento de la localización de objetivos. Los resultados experimentales muestran que, en comparación con el algoritmo DeFRCN, MS-FSWD mejora el AP50 de nuevas clases en un 9,9% y un 6,6% en las tareas de detección 1-shot y 3-shot respectivamente en el conjunto de datos de pocas muestras FSWA; en el conjunto de datos público PASCAL VOC, MS-FSWD mejora hasta un 12,6%. En comparación con el algoritmo VFA, en la tarea 10-shot del Novel Set 3 en PASCAL VOC, el AP50 de nuevas clases mejora un 3,3%.

Detección de objetos con pocas muestras;Detección de vida silvestre;Aprendizaje por transferencia;Extracción de contexto multiescala;Mecanismo de atención