摘要
少样本目标检测通过将元学习引入基于区域的检测框架，已得到广泛研究。尽管该方法取得了显著成果，但现有范式仍受到若干因素的制约，包括：(i) 针对新类别的区域提议质量较低，以及 (ii) 忽视了不同类别之间的类别相关性。这些局限性严重阻碍了基础类别知识向新类别目标检测的泛化能力。为此，本文提出 Meta-DETR，一种新颖的少样本检测框架，该框架将关联性聚合机制融入 DETR 检测架构中以支持元学习。Meta-DETR 完全在图像层面进行推理，无需任何区域提议，从而有效规避了现有少样本检测框架中因区域提议不准确所带来的限制。此外，Meta-DETR 可在单次前向传播中同时关注多个支持类别，这一独特设计使其能够有效捕捉不同类别间的关联性，显著降低相似类别的误分类现象，并增强对新类别的知识泛化能力。在多个少样本目标检测基准上的实验结果表明，所提出的 Meta-DETR 在性能上显著优于当前最先进的方法。代码实现将发布于 https://github.com/ZhangGongjie/Meta-DETR。