摘要
在遥感目标检测中，如何在检测精度与模型轻量级之间取得平衡仍是一个重要挑战。尽管卷积神经网络提升了性能，但它们通常需要大规模数据集，这使得对新型类别的少样本检测变得困难。为了解决这一问题，我们提出了LFODet，这是一种基于元学习的轻量级少样本目标检测网络。它通过两个并行分支，在样本有限的情况下快速适应新型类别，同时保持对基础类别的性能。为了实现高效的特征表示，我们整合了语义幽灵通道注意力（GCA）和细粒度幽灵空间注意力（GSA），以增强语义区分度并保留空间细节。此外，我们还利用幽灵卷积来降低计算复杂度。该模型分为三个阶段进行训练：基础类别预训练、元学习器优化以及少样本微调。在DIOR和NWPU VHR-10上的实验表明，LFODet在各种少样本学习场景下都能展现出稳定且均衡的性能。经这些基准数据集验证，这项工作为那些需要快速适应新目标的资源受限遥感应用提供了实用的解决方案。
