DG-Net：基于动态双流协作与生成式元学习的少样本遥感检测方法 刘善良（Shanliang Liu） 邵新南（Xinnan Shao） 董艳（Yan Dong） 何启航（Qihang He） 李春雷（Chunlei Li）

《Symmetry》：DG-Net: Few-Shot Remote Sensing Detection with Dynamic Dual-Stream Collaboration and Generative Meta-Learning Shanliang Liu, Xinnan Shao, Yan Dong, Qihang He and Chunlei Li

　　

摘要

现有研究表明，元学习方法在应对少样本对象检测所面临的挑战方面具有很大的潜力。然而，遥感场景存在两个主要问题：小对象的稀疏特征提供的支持信息不足，以及由于光照和视角差异导致的显著形态变化阻碍了通过直接对齐来实现类内一致性。为了解决这些问题，我们提出了一种生成式元学习检测框架。该框架首先引入了动态关系双流网络（Dynamic Relation Dual-Stream Network），通过联合建模演化特征和关系特征来实现动态的支持 query 特征对齐，从而在少样本条件下提升表示能力。其次，开发了一种基于最优传输（Optimal Transport）的生成式元学习器（Generative Meta-Learner），通过潜在空间的生成增强来减轻特征分布偏差。此外，还结合了正交频率分解头（Orthogonal Frequency Decomposition Head），将查询特征自适应地分离为低频轮廓和高频细节组成部分，有效抑制了背景噪声的干扰。在多个遥感数据集上的实验表明，所提出的方法在各种少样本设置中均优于现有的基线方法，展现了出色的性能提升。其有效性还在不同的骨干网络中得到了验证，进一步证明了其在少样本遥感对象检测中的强大泛化能力。