零样本检测
计算机视觉与模式识别
2019-03-20 v2
摘要
随着我们迈向大规模目标检测，期望为所有目标类别提供足够规模的边界框标注形式的带标注训练数据是不现实的，因此需要能够检测未见目标的方法。我们提出了一种新颖的零样本方法，该方法基于训练一个端到端模型，将语义属性预测与视觉特征融合，从而为已见和未见类别提出目标边界框。虽然我们在训练期间利用了语义特征，但我们的方法在测试时对未见类别的语义信息是不可知的。我们的方法在训练期间已见目标上保持了YOLOv2的效率和有效性，同时提升了其在新颖和未见目标上的性能。现有最先进的检测方法学习判别性目标特征以拒绝背景候选的能力，也限制了它们在未见目标上的性能。我们假设，为了检测未见目标，我们必须将语义信息融入视觉领域，使得学习到的视觉特征能够反映这些信息，从而提高未见目标的召回率。我们在PASCAL VOC和MS COCO数据集上测试了我们的方法，并观察到未见类别的平均精度有显著提升。
引用
@article{arxiv.1803.07113,
title = {Zero-Shot Detection},
author = {Pengkai Zhu and Hanxiao Wang and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:1803.07113},
year = {2019}
}
备注
Published in IEEE Transactions on Circuits and Systems for Video Technology