AirDet：面向自主探索的免微调少样本检测
计算机视觉与模式识别
2022-11-15 v3
摘要
少样本目标检测近年来受到越来越多的关注并迅速发展。然而，现有方法需要耗时的离线微调阶段，这严重阻碍了它们在低功耗机器人自主探索等在线应用中的使用。我们发现其主要局限在于，少量支持图像中少量但有价值的信息未被充分利用。为解决该问题，我们提出了一种全新架构 AirDet，并惊讶地发现，通过在所有模块（包括跨尺度目标提议网络、样本聚合模块和定位网络）中与支持图像学习类别无关的关系，免微调的 AirDet 取得了与许多经过微调的方法相当甚至更好的结果，提升幅度高达 30-40%。我们还给出了在 DARPA Subterranean Challenge 真实世界探索数据上的机载测试可靠结果，有力验证了 AirDet 在机器人中的可行性。据我们所知，AirDet 是首个面向低功耗机器人自主探索的可行少样本检测方法。代码与预训练模型发布于 https://github.com/Jaraxxus-Me/AirDet。
引用
@article{arxiv.2112.01740,
title = {AirDet: Few-Shot Detection without Fine-tuning for Autonomous Exploration},
author = {Bowen Li and Chen Wang and Pranay Reddy and Seungchan Kim and Sebastian Scherer},
journal= {arXiv preprint arXiv:2112.01740},
year = {2022}
}
备注
23 pages, 9 figures