用于克服少样本道路目标检测中类不平衡的注意力引导余弦间隔
计算机视觉与模式识别
2021-11-15 v1 人工智能
摘要
少样本目标检测（FSOD）在仅给定少量数据样本的情况下定位并分类图像中的物体。FSOD研究近期趋势显示采用度量和元学习技术，这类技术易出现灾难性遗忘与类混淆。为克服基于度量学习的FSOD技术中的这些缺陷，我们引入注意力引导余弦间隔（AGCM），其有助于在目标检测器分类头中创建更紧凑且分离良好的类特定特征簇。我们新颖的注意力提案融合（APF）模块通过减小共现类之间的类内方差来最小化灾难性遗忘。同时，所提出的余弦间隔交叉熵损失增加了混淆类之间的角度间隔，以克服已学（基类）与新添（新类）之间的类混淆挑战。我们在具有真实世界类不平衡设定的具挑战性India Driving Dataset（IDD）以及流行的FSOD基准PASCAL-VOC上进行了实验。我们的方法在10-shot设定下，于IDD-OS上优于最先进（SoTA）方法至多6.4 mAP点，于IDD-10划分上优于至多2.0 mAP点。在PASCAL-VOC数据集上，我们优于现有SoTA方法至多4.9 mAP点。
引用
@article{arxiv.2111.06639,
title = {Attention Guided Cosine Margin For Overcoming Class-Imbalance in Few-Shot Road Object Detection},
author = {Ashutosh Agarwal and Anay Majee and Anbumani Subramanian and Chetan Arora},
journal= {arXiv preprint arXiv:2111.06639},
year = {2021}
}
备注
8 pages, 4 figures