• • 下一篇
张雷1,崔浩楠1,李之奇2,贺飞1,陈仲1
摘要: 针对传统开放集目标检测中单模态提示泛化受限、多模态固定权重融合场景适配性不强的问题,提出多模态协同语义提示的跨域目标检测算法(MMCS-Prompt)。首先,构建由图像编码器、文本与视觉提示编码器及解码器组成的协同框架,以移位窗口层次化Transformer(Swin Transformer)骨干网络与6层编码器提取多尺度视觉特征;其次,设计文本-视觉对比对齐模块,以互信息最大化损失实现双模态语义关联与知识互补;最后,提出多因素驱动的动态权重融合机制,综合语义一致性、模态质量互补与场景不确定性自适应分配两提示权重。在COCO、LVIS、ODinW和Roboflow100上的零样本实验表明:经10个随机种子独立实验,与Grounding DINO(Marrying DINO with Grounded Pre-Training)相比,所提算法在常见与跨场景目标检测上的平均精度(AP)分别提高0.9和1.1个百分点,相对提升1.86%和4.20%;与T-Rex2(Towards Generic Object Detection via Text-Visual Prompt Synergy)的混合模式和视觉模式相比,在长尾与复杂场景目标检测上的AP分别提高2.7和0.5个百分点,相对提升7.28%和2.86%。该算法为开放集目标检测提供了文本-视觉语义协同与动态权重融合的新方法,为工业零件检测、密集小目标分析、智能交通监控等跨域场景应用提供了有效的技术路径。
中图分类号: