计算机工程与应用

作者：杭焕云, 刘俊

单位：杭州师范大学 信息科学与技术学院，杭州 311121；

关键词：少样本目标检测,Faster R-CNN,梯度解耦,约束微调

基金：国家自然科学基金面上项目（62273126）；浙江省“领雁”研发攻关计划项目（2023C03185）。

针对数据稀缺条件下模型检测效率低下与灾难性遗忘问题，提出了一种结合解耦与广义微调的少样本目标检测模型。该模型基于传统的Faster R-CNN框架，通过引入多级解耦的梯度解耦层，有效拓展了Faster R-CNN，解决了区域提议网络（region proposal network，RPN?）和R-CNN的矛盾；将查询-键-值注意力机制和自注意力机制有效结合，减少了背景噪声的干扰，使得模型能够同时关注局部特征和图像的全局上下文信息；提出了一种基于约束的广义微调方法来减轻灾难性遗忘，基于约束的微调方法采用一种连续学习的平均梯度情景记忆方法（average gradient episodic memory，A-GEM），对梯度搜索策略施加了更多的约束，优化了梯度更新规则，从而更好地实现了基类和新类之间的知识交换。实验结果表明，相比于对比方法DCNet，所提出的方法在VOC数据集Novel Set1中，五个目标检测任务的平均mAP50提升了7.56个百分点。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期