摘要：针对红外目标检测存在复杂背景干扰下已有的小样本目标检测模型无法充分挖掘支持信息导致检测性能下降的问题，提出了融合二阶池化注意力的类边界均衡小样本目标检测算法。类边界均衡算法通过类边界对抗最小-最大正则化来实现新类之间边界平衡，解决了小样本目标检测任务中由于基类和新类特征原型分布混乱造成的检测性能下降的问题。但是，由于复杂背景干扰，类边界均衡算法直接用于红外目标检测无法充分利用支持集图像的有效信息。提出二阶池化注意力机制来抑制背景干扰，增强对支持图像有效信息的学习，进而加强利用支持信息对查询信息调节的功能。该机制沿通道维度计算输入特征图各个通道之间的协方差，来获取各个通道之间的统计依赖性进而捕获重要通道的高阶特征信息。同时沿通道维度计算输入特征图各个通道的标准差，并将两个通道的协方差除以两个通道的标准差以减弱噪声对协方差估计的影响，增强协方差计算的准确性。在类边界均衡算法权重模块中融入二阶池化注意力机制，来引导检测算法将特征学习聚焦在目标及其邻域，并抑制复杂背景的干扰。实验结果表明，相对于经典算法，提出的小样本目标检测算法在10-shot任务上获得了最佳性能，在自制的红外目标数据集的新类别上的平均mAP达到了56.4%。
文章目录
1 融合二阶池化的类边界均衡小样本红外目标检测算法
1.1 CME模型
1.2 SOPA模块
1.3 CMESOPA
2 实验
2.1 数据集和实验设置
2.2 注意力对比实验分析
2.3 模型对比实验分析
3 结束语
