一个宽泛的数据集即满足一次性目标检测所需
计算机视觉与模式识别
2022-11-01 v2 机器学习
摘要
是否可能从单个样本检测出任意物体？所有现有一次性目标检测尝试的一个核心问题是泛化差距：训练期间使用的物体类别比新颖类别检测可靠得多。我们在此表明，通过增加训练期间使用的物体类别数量，这一泛化差距几乎可以弥合。这样做使我们能够将所见类到未见类的泛化能力从 45% 提升到 89%，并将 COCO 上的最优性能提升 5.4 %AP50（从 22.0 到 27.5）。我们验证了该效应是由类别数量而非训练样本数量引起，并且适用于不同模型、主干网络和数据集。这一结果表明，强大的少样本检测模型的关键可能不在于复杂的度量学习方法，而仅仅在于扩展类别数量。我们希望我们的发现有助于更好地理解少样本学习的挑战，并鼓励未来的数据标注工作聚焦于具有更广泛类别集合的更宽数据集，而非为每个类别收集更多样本。
引用
@article{arxiv.2011.04267,
title = {A Broad Dataset is All You Need for One-Shot Object Detection},
author = {Claudio Michaelis and Matthias Bethge and Alexander S. Ecker},
journal= {arXiv preprint arXiv:2011.04267},
year = {2022}
}