当前位置：首页 > news >正文

【声呐技术】FS2-DETR：基于Transformer的增强特征感知小样本声呐目标检测

news 2026/3/27 5:49:01

本文翻译自论文

FS2-DETR: Transformer-Based Few-Shot Sonar Object Detection with Enhanced Feature Perception

如有侵权，请联系本人删除
————————————————
————————————————

1. 引言

2. 相关工作

2.1. DETR

2.2. 小样本目标检测

3. 方法

3.1. 预备知识

3.2. 记忆特征增强补偿机制

3.3. 视觉提示增强机制

3.4. 多阶段训练策略

4. 实验

4.1. 数据集

4.2. 实现细节

4.3. 实验结果分析

4.4. 消融研究

4.4.1. 所提增强模块的消融研究

4.4.2. 冻结不同网络模块的影响

4.4.3. 超参数n的敏感性分析

4.5. 计算复杂度与效率分析

4.6. 可视化分析

5. 结论

摘要

在实际水下目标检测任务中，样本分布不平衡以及某些类别样本的稀缺性往往导致模型训练不充分和泛化能力受限。为解决这些挑战，本文提出了FS2-DETR（面向声呐图像的小样本检测Transformer），一种专为声呐影像设计的基于Transformer的小样本目标检测网络。考虑到声呐图像通常包含微弱、小型且模糊的目标特征，且某些类别的数据稀缺性会阻碍有效特征学习，所提出的FS2-DETR在基线DETR模型基础上引入了以下改进：(1)特征增强补偿机制：设计了解码器预测引导的特征重采样模块（DPGFRM）来处理多尺度特征并增强记忆表征，从而加强对关键特征的利用并提升对微弱小目标的检测性能。(2)视觉提示增强机制：生成判别性视觉提示来联合增强目标查询和记忆，从而突出图像的显著特征，实现对少样本目标更有效的特征捕获。(3)多阶段训练策略：采用渐进式训练策略来加强对类别特定层的学习，有效缓解小样本场景中的误分类问题并提升整体检测精度。在改进的UATD声呐图像数据集上进行的大量实验表明，所提出的FS2-DETR在小样本条件下实现了优异的检测精度和鲁棒性，优于现有的最先进检测算法。

关键词：DETR；特征增强补偿机制；视觉提示增强机制；多阶段训练策略；声呐图像目标检测