摘要
少样本目标检测（Few-shot Object Detection, FSOD）旨在对新类别仅提供少量图像的情况下实现分类与检测。现有元学习方法由于结构上的局限，未能充分挖掘支持图像（support images）与查询图像（query images）之间的特征关联。为此，我们提出一种具有逐层增大感受野的分层注意力网络（hierarchical attention network），以充分挖掘查询图像与支持图像之间的潜在信息。此外，传统元学习方法在类别区分上表现不足，其核心问题在于仅通过判断支持图像与查询图像是否匹配来实现分类，即基于度量的学习方式在实际分类任务中缺乏直接有效性。为此，我们提出一种称为“元对比学习”（meta-contrastive learning）的对比学习方法，该方法可直接服务于元学习策略的目标，显著提升类别区分能力。最终，我们构建了一种新的SOTA（state-of-the-art）网络架构，实现了显著的性能提升。在COCO数据集上，本方法在1至30样本设置下，分别实现了2.3%、1.0%、1.3%、3.4%和2.4%的平均精度（AP）提升。相关代码已开源，地址为：https://github.com/infinity7428/hANMCL。