重新思考用于少样本目标检测的基于原型的相似性学习

少样本目标检测旨在仅从少数标记示例中检测新的目标类别，从而避免昂贵的大规模注释。最近基于原型的相似性学习方法通​​过将查询特征与类原型相匹配来实现 无需训练 适应。然而，它们面临两个基本限制：（i）类间相似性边缘崩溃引起的类混淆，以及（ii）用于精确定位的视觉线索不足，因为相似性分数仅捕获类级别的语义亲和力，同时提供有限的空间信息。为了解决这些问题，我们引入了两个互补的组件。文本锚定语义掩码 (TSMa) 利用类级文本特征作为语义锚点，通过视觉和文本特征之间的通道交互来识别语义对齐的通道。通过抑制风格引起的虚假响应并强调类别固有信号，TSMa 扩大了类别间的相似性裕度并减轻了类别混乱。我们进一步提出阶段对齐的分层自回归（SHARe），它将本地化​​重新表述为分层自回归过程，逐步细化跨多个阶段的边界框。 SHARe 通过将特征抽象级别与回归阶段对齐来利用 ViT 表示的逐层特征：较深层指导早期粗定位，而富含边缘和纹理线索的较浅层在后期细化空间细节。 COCO 上的实验展示了一种新的技术水平，比之前的最佳性能高出 +10.1 nAP，并通过广泛的分析验证了每个组件。该代码可从 https://github.com/VisualScienceLab-KHU/ReSet 获取。