AirShot：面向自主探索的高效少样本检测
计算机视觉与模式识别
2024-04-09 v1
摘要
少样本目标检测在机器人探索领域引起了越来越多的关注，在该领域，机器人需要根据少量在线提供的样本来寻找未见过的物体。尽管近期的研究已经实现了在线处理能力，但低功耗机器人缓慢的推理速度无法满足实时检测的需求，使其不适用于自主探索。现有方法仍面临性能和效率方面的挑战，这主要是由于不可靠的特征和穷举的类循环所致。在这项工作中，我们提出了一种新范式 AirShot，并发现通过充分利用有价值的关联图，AirShot 可以构建一个更鲁棒、更快速的少样本目标检测系统，更适用于机器人领域。核心模块 Top Prediction Filter (TPF) 可以在训练和推理阶段的多种尺度关联图上运行。在训练期间，TPF 监督更具代表性的关联图的生成；而在推理期间，它通过选择排名靠前的类别来减少循环迭代，从而在获得更好性能的同时降低计算成本。令人惊讶的是，这种双重功能在各种现成模型上展现出了普遍的有效性和效率。在 COCO2017、VOC2014 和 SubT 数据集上的详尽实验表明，TPF 能够显著提升大多数现成模型的效能和效率，实现高达 36.4% 的精度提升以及 56.3% 的推理速度提升。代码和数据位于：https://github.com/ImNotPrepared/AirShot。
引用
@article{arxiv.2404.05069,
title = {AirShot: Efficient Few-Shot Detection for Autonomous Exploration},
author = {Zihan Wang and Bowen Li and Chen Wang and Sebastian Scherer},
journal= {arXiv preprint arXiv:2404.05069},
year = {2024}
}