DG-Net: Detección de Sensores Remotos de Pocas Muestras con Colaboración Dual Dinámica y Aprendizaje Meta Generativo

Investigaciones existentes han demostrado que los métodos de aprendizaje meta tienen un considerable potencial para abordar los desafíos planteados por la detección de objetos de pocas muestras. Sin embargo, los escenarios de teledetección presentan dos desafíos importantes. Las características escasas de los objetos pequeños proporcionan información de apoyo insuficiente para la mejora de consultas, y las variaciones morfológicas significativas causadas por diferencias en iluminación y perspectiva dificultan la captura de la consistencia intra-clase a través de la alineación directa en el aprendizaje de pocas muestras. Para abordar estos desafíos, proponemos un marco de detección de aprendizaje meta generativo. El marco primero introduce una Red Dinámica de Relación de Doble Flujo para lograr la alineación dinámica de características de consulta y apoyo a través de la modelización conjunta de características evolutivas y relacionales, mejorando así la representación en condiciones de pocas muestras. En segundo lugar, se desarrolla un Aprendiz Generativo Basado en Transporte Óptimo para mitigar el sesgo de distribución de características a través de la augmentación generativa en el espacio latente. Además, se incorpora una Cabeza de Descomposición de Frecuencia Ortogonal para separar de manera adaptativa las características de consulta en componentes de contorno de baja frecuencia y detalles de alta frecuencia, suprimiendo efectivamente la interferencia del ruido de fondo. Experimentos en múltiples conjuntos de datos de teledetección demuestran que el método propuesto logra ganancias de rendimiento consistentes sobre métodos de referencia líderes en varios escenarios de pocas muestras. Su efectividad se valida aún más en distintas redes de fondo, destacando una fuerte generalización en la detección de objetos de teledetección de pocas muestras.