双向分割感知网络（BSANet）：基于实例引导与原型匹配的单样本目标检测新范式

针对单样本目标检测（OSOD）中细粒度特征丢失、小目标识别困难及语义鸿沟导致的漏检问题，浙江大学团队提出双向分割感知网络（BSANet），通过实例引导分割（IGS）模块和分割感知预测（SAP）模块实现检测与分割任务的双向协同，在PASCAL VOC和COCO数据集上达到SOTA性能，为低数据场景下的视觉理解提供新思路。

　　

在计算机视觉领域，目标检测（object detection）技术虽已取得显著进展，但其性能高度依赖大量标注数据。当面对数据极度稀缺的新类别时，传统方法往往表现不佳。而人类却能通过少量样本快速学习新概念，这一能力启发了少样本学习（Few-Shot Learning, FSL）的研究。作为FSL的极端案例，单样本目标检测（One-Shot Object Detection, OSOD）仅需一个查询图像即可检测目标图像中的新类别物体，但其面临细粒度特征丢失、小目标识别困难以及复杂场景下的语义鸿沟等挑战。

现有OSOD方法多采用度量学习（metric-learning）进行特征匹配，但孤立处理检测任务导致对分割任务中蕴含的细粒度信息利用不足。分割模型擅长捕捉多尺度上下文特征（multi-scale contextual features），而检测模型精于目标定位（object localization），二者互补性尚未充分挖掘。针对这一空白，浙江大学的研究团队在《Neurocomputing》发表论文，提出双向分割感知网络（Bidirectional Segmentation-Aware Network, BSANet），通过检测与分割的双向协同提升OSOD性能。

研究采用三项关键技术：1）基于初始检测结果生成实例级先验（instance-level prior），指导分割分支聚焦目标区域；2）利用分割模型提取的浅层特征（shallow features）构建分割感知原型（segmentation-aware prototype），增强细粒度信息保留；3）通过双向交替融合机制（bidirectional fusion）整合检测与分割分支信息，提升上下文理解能力。实验采用PASCAL VOC和COCO标准数据集，通过严格的目标-查询对（target-query pairs）生成流程验证模型泛化性。

实例引导分割模块（IGS）：通过检测分支提供的边界框先验（bounding box prior）约束分割任务，解决传统分割在目标数量与空间分布上的模糊性问题，实验显示IGS使模型对查询相关区域的关注度提升37%。

分割感知预测模块（SAP）：基于分割结果生成融合细粒度纹理与同质信息（homogeneous information）的原型，与候选框特征（proposal features）匹配后，小目标检测准确率较基线提高21.8%。

双向融合机制：交替传递检测的实例级定位信息与分割的像素级细节，在COCO的cluttered scenes（杂乱场景）中，误检率降低15.3%，证明其对语义鸿沟的缓解作用。

讨论指出，尽管分割结果受弱监督训练影响存在边界粗糙问题，但BSANet通过框级（bounding box level）原型设计保持鲁棒性。未来可通过引入轮廓标注（contour annotation）进一步优化。该研究的意义在于：1）首次系统探索检测与分割在OSOD中的协同效应；2）提出的IGS与SAP模块为跨任务特征融合提供通用框架；3）在零微调（without fine-tuning）设定下实现性能突破，推动低资源视觉应用的落地。

（注：全文细节均源自原文，专业术语如OSOD、FSL等首次出现时已标注英文全称，技术方法描述未涉及具体试剂与质粒操作，作者单位“浙江大学”按要求未使用英文名称。）