任意样本数目标检测
计算机视觉与模式识别
2020-03-17 v1
摘要
以往关于新颖目标检测的研究考虑零样本或少样本设定，即每个类别在训练时无可用的或仅有少量样本。在真实场景中，期望‘所有’新颖类别要么完全未见要么仅有少量样本是不太实际的。本文提出一种更现实的设定，称为‘任意样本检测’(Any-shot detection)，其中完全未见与少样本类别可在推理时同时共存。与常规新颖目标检测相比，任意样本检测带来独特挑战，例如未见、少样本与已见目标类别间的高度不平衡、学习新类别时易遗忘基训练，以及将新类别与背景区分开来。为应对这些挑战，我们提出一个统一的任意样本检测模型，可同时学习检测零样本与少样本目标类别。我们的核心思想是将类别语义用作目标检测的原型，该表述自然最小化知识遗忘并缓解标签空间中的类不平衡。此外，我们提出一种再平衡损失函数，其强调困难的少样本情形但避免对新类别过拟合，从而允许检测完全未见类别。无需额外技巧，我们的框架亦可单独用于零样本检测与少样本检测任务。我们在 Pascal VOC 与 MS-COCO 数据集上进行了充分实验，表明我们的方法带来了显著改进。
引用
@article{arxiv.2003.07003,
title = {Any-Shot Object Detection},
author = {Shafin Rahman and Salman Khan and Nick Barnes and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2003.07003},
year = {2020}
}