面向大熊猫目标检测的生成-检测统一方法

目的大熊猫作为全球生物多样性保护的旗舰物种，其在相机陷阱图像中的精确检测对生态评估与保护决策至关重要。然而，标注数据稀缺且预训练数据与野外图像存在域差异，限制了通用检测器在野外环境中的实用性。为此，本文提出一种集成生成模型与检测模型的统一生成-检测方法——PandaGenDet。方法该方法通过生成模型合成图像以缓解数据资源的限制，并通过结构改进提升了检测模型在野外环境下的鲁棒性。具体而言，为生成模型设计了类别引导机制，增强生成图像的语义一致性。在检测模型中构建即插即用的图像增强器模块，调整野外图像至更适应检测器预训练权重的分布；进一步地，提出生成特征注入器，将生成模型中蕴含的多尺度语义先验迁移至检测网络。结果实验表明，类别引导机制使生成图像的KID（kernel inception distance）从0.059改善至0.038，FID（fréchet inception distance）由147.00降至123.13；图像增强器使检测模型在大熊猫数据上的mAP（mean average precision）由88.8提升至89.7，mAR（mean average recall）由94.9提升至95.5；在此基础上，加入生成特征注入器模型的mAP达89.8，最终联合合成图像继续训练模型的mAP提升至90.1，并表现出良好的开放集检测能力。结论PandaGenDet建立了一个从数据合成到目标检测的统一协同架构，通过数据级合成缓解样本稀缺、图像级增强缩小域间分布差异、特征级注入复用生成模型的语义表征，实现了三重维度的深度协同，显著提升了通用检测模型在复杂野外环境下的大熊猫检测性能。