超越最大间隔：面向少样本目标检测的类间隔均衡
计算机视觉与模式识别
2021-06-01 v3
摘要
少样本目标检测通过在一组基类对象上学习到的特征表示来表示新类对象，已经取得了实质性进展。然而，新类分类与表示之间一个隐含的矛盾却被不幸地忽略了。一方面，为了实现准确的新类分类，任意两个基类的分布必须彼此远离（最大间隔）。另一方面，为了精确表示新类，基类的分布应当彼此接近，以减小新类的类内距离（最小间隔）。本文提出一种类间隔均衡（CME）方法，旨在以系统化的方式同时优化特征空间划分与新类重构。CME 首先通过使用全连接层解耦定位特征，将少样本检测问题转化为少样本分类问题。接着，CME 在特征学习过程中引入简单而有效的类间隔损失，为新类保留充足的间隔空间。最后，CME 以对抗式极小极大方式扰动新类实例的特征，以追求间隔均衡。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，CME 相较两个基线检测器有显著提升（平均提升达 ），取得了最先进的性能。代码已发布于 https://github.com/Bohao-Lee/CME。
引用
@article{arxiv.2103.04612,
title = {Beyond Max-Margin: Class Margin Equilibrium for Few-shot Object Detection},
author = {Bohao Li and Boyu Yang and Chang Liu and Feng Liu and Rongrong Ji and Qixiang Ye},
journal= {arXiv preprint arXiv:2103.04612},
year = {2021}
}
备注
This paper has been modified by the author due to errors