遥感影像背景复杂、目标尺度差异大、类别间相似度高，加之标注样本稀缺，现有模型易过拟合，新类检测精度低。
遥感影像中地物纹理与背景高度相似，模型难以学习判别性特征，导致定位不稳定。
目标从极小（<0.1%相对面积）到大尺度（>2%）剧烈变化，传统FPN跨层级交互不足。
灾害监测、军事侦察等场景高质量标注数据难以获取，模型极易过拟合。
基于Meta-RCNN框架，通过ADFPN、D-RPN、CHF-RoI三个核心模块，从特征表达、候选区域生成到RoI提取全面优化。
自适应密集融合金字塔：通道注意力+密集跨层级融合，保留多尺度信息完整性。
通道注意力 密集连接可变形区域候选网络：动态调整采样点，增强不规则目标定位能力。
可变形卷积 偏移量预测跨层级融合RoI提取器：融合多层级特征，同时建模局部结构与全局上下文。
多层级融合 动态重组全局最大/平均池化 → 通道注意力权重 → 1×1卷积增强判别性。
空间注意力自适应调节浅层细节与深层语义融合比例，缓解跨层级交互不足。
在NWPU VHR-10.v2与DIOR数据集上，本文方法在少样本设置下全面超越基线及多种经典方法。
| 方法 | 2-shot nAP | 3-shot nAP | 5-shot nAP | 10-shot nAP |
|---|---|---|---|---|
| Meta-RCNN (基线) | 48.1 | 52.6 | 55.1 | 62.6 |
| FSCE | 49.4 | 53.4 | 60.6 | 66.5 |
| GE-FSOD | 47.6 | 50.8 | 59.3 | 66.9 |
| 本文方法 | 50.2 | 54.1 | 61.5 | 68.8 |
密集跨层级融合使多尺度特征充分交互，基类mAP提升2.5% (vs Meta-RCNN)。
可变形卷积动态调整感受野，不规则目标（如飞机、桥梁）AP提升显著。
融合多层级上下文，降低对偶然局部特征的依赖，5-shot nAP提升6.4%。
“本文方法在NWPU VHR-10.v2上，2-shot至10-shot新类mAP分别提升2.1%、1.5%、6.4%、6.2%；在DIOR split-1上全面优于Meta-RCNN，与FSCE、TFA、P-CNN等相比整体更优。”
本文提出的特征优化方法有效缓解少样本过拟合，在复杂遥感场景中取得优异检测精度与泛化能力。
通道注意力+密集融合，解决多尺度特征交互不足，提升特征完整性。
可变形卷积动态采样，增强不规则目标定位，候选框质量更高。
跨层级上下文融合，抑制过拟合，新类检测精度显著提升。
在灾害监测、军事侦察等标注稀缺场景中具有广阔应用前景，提供有效的少样本检测解决方案。
当前方法在极少样本（1-shot）场景下仍有提升空间，未来可探索更轻量的元学习框架与跨域迁移。