论文作者：Zhimeng Xin,Tianxu Wu,Shiming Chen,Yixiong Zou,Ling Shao,Xinge You

作者单位：Huazhong University of Science and Technology; UCAS-Terminus AI Lab

论文链接：http://arxiv.org/abs/2309.08196v1

内容简介：

1）方向：小样本目标检测

2）应用：目标检测

3）背景：现有的FSOD方法大多采用两阶段学习范式，通过学习全局特征将从丰富的基类中学到的知识转移到少样本检测器上。然而，这些现有的FSOD方法很少考虑从局部到全局的对象定位。由于FSOD中训练数据有限，新类别的训练样本通常只能捕捉到对象的一部分，导致这些FSOD方法在测试过程中无法检测到完全未见过的对象。

4）方法：本文提出了一种可扩展的共存注意力（ECEA）模块，使模型能够根据局部部分推断全局对象。该模块在丰富的基础阶段不断学习可扩展能力，并将其转移到新领域，以帮助少样本模型快速适应扩展局部区域到共存区域。具体而言，首先设计了一种可扩展的注意力机制，从局部区域开始，将注意力扩展到与给定局部区域相似且相邻的共存区域。然后，在不同的特征尺度上实现可扩展的注意力机制，逐步发现各种感受野中的完整对象。

5）结果：在PASCAL VOC和COCO数据集上进行的广泛实验表明，ECEA模块可以帮助少样本检测器完全预测对象，尽管一些区域在训练样本中没有出现，并且与现有的FSOD方法相比取得了新的最优结果。