基于频率注意力与多感知头的少样本目标计数方法FFMP研究

为解决少样本目标计数(FSC)中目标多样性与样本稀缺性导致的特征匹配难题，研究人员提出融合频率域特征(FDF)与自适应特征增强(SFE)的FFMP框架，通过多感知头(MP)整合检测任务提升性能。实验表明该方法在FSC-147等数据集上超越现有技术，为跨领域目标计数提供新思路。

　　

在智能监控、生态保护等领域，精准统计目标数量是核心需求。传统计数方法需针对每类物体单独训练模型，耗时耗力且难以应对超市商品、森林树种等多样化场景。少样本目标计数(Few-Shot Object Counting, FSC)技术通过少量示例实现跨类别计数，但现有方法面临特征匹配精度不足、相似度图可靠性差等挑战。

郑州大学的研究团队在《Neurocomputing》发表论文，提出FFMP框架解决上述问题。该研究创新性融合频率域与空间域特征，通过频率域特征融合(FDF)模块增强特征表征，结合自适应性特征增强(SFE)挖掘潜在目标，并设计多感知头(MP)促进计数与检测任务协同优化。实验证明该方法在FSC-147基准数据集上达到最优性能，在CARPK等跨数据集测试中展现强泛化能力。

关键技术包括：1) 采用离散余弦变换(DCT)提取频率特征；2) 构建FDF模块融合双域特征；3) 设计SFE模块扩充示例表征；4) 通过MP模块实现多任务交互。研究使用FSC-147数据集（含147类6135张图像）进行验证，严格划分训练集（89类）、验证集和测试集以避免类别重叠。

【Frequency Domain Feature Fusion】
通过DCT转换将空间特征映射至频率域，结合通道注意力机制筛选关键频段，实验显示该模块使MAE（平均绝对误差）降低12.3%。

【Self-adaptive Feature Enhancement】
利用相似度图挖掘查询图像中的潜在目标特征，扩充初始示例集，在密集场景下计数准确率提升9.7%。

【Multi-Perception Head】
通过交叉注意力机制整合计数与检测任务，消融实验证实MP模块使F1-score提高5.4%。

结论部分指出，FFMP首次将频率分析引入FSC任务，突破传统空间域方法的局限性。讨论强调该方法在医疗细胞计数、交通流量监测等场景的应用潜力，未来可探索多模态特征融合以进一步提升性能。研究为少样本学习领域提供新范式，代码已开源促进社区发展。