HALD-FSOD:一种用于遥感图像少样本目标检测的层次化自适应学习方法,具备非对称边际函数与损失感知动态加权功能
《Remote Sensing》:HALD-FSOD: Hierarchical Adaptive Learning with Asymmetric Margin and Loss-Aware Dynamic Weighting for Few-Shot Object Detection in Remote Sensing Imagery
【字体:
大
中
小
】
时间:2026年06月28日
来源:Remote Sensing 4.3
摘要
近年来,遥感图像中的少样本目标检测技术越来越受到研究界的关注。然而,现有的主流方法在处理新类别时,其基础类别的检测性能会出现严重下降。同时,大多数现有方法需要引入额外的可学习参数,这限制了它们在遥感应用中的实际应用。本文致力于开发轻量级且高性能的遥感图像目标检测算法,提出了HALD-FSOD——一种改进的两阶段微调检测方法,该方法能够在不遗忘预训练的基础类别知识的情况下,显著提升对新类别的检测性能。通过全面分析该微调框架在遥感场景中的局限性,我们提出了一种分层自适应学习框架,从而在保留基础类别知识与适应新类别特征之间实现最佳平衡。考虑到地理空间对象之间的类别区分度较低,我们设计了一种非对称边缘增强余弦分类器,以帮助学习出更具区分度的决策边界。此外,还引入了一种基于损失感知的动态类别加权机制,用以缓解基础类别与新类别之间的学习不平衡问题。在DIOR和NWPU VHR 10.v2数据集上的大量实验表明,我们所提出的HALD-FSOD具有出色的整体性能,新类别检测效果显著提升,而基础类别的性能下降却可以忽略不计,且无需引入任何额外的可学习参数。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号