CFA:基于约束的微调方法用于广义少样本目标检测
计算机视觉与模式识别
2022-04-12 v1
摘要
少样本目标检测(FSOD)旨在通过利用来自丰富基类数据的先验知识,以有限数据检测新类别。广义少样本目标检测(G-FSOD)旨在解决FSOD在不遗忘已见基类的情况下的问题,从而对应更为现实的场景,即测试时两类均会出现。当前FSOD方法存在灾难性遗忘,而G-FSOD解决了该局限,但相比最先进的FSOD在新任务上表现出性能下降。本文中,我们提出一种基于约束的微调方法(CFA)以缓解灾难性遗忘,同时在不增加模型容量的前提下在新任务上取得有竞争力的结果。CFA将一种持续学习方法,即平均梯度情景记忆(A-GEM)适配到G-FSOD。具体而言,对梯度搜索策略施加更多约束,并由此导出新的梯度更新规则,从而实现基类与新类之间更好的知识交换。为评估方法,我们在MS-COCO和PASCAL-VOC数据集上进行了大量实验。我们的方法在新任务上优于当前FSOD和G-FSOD方法,且在基类上仅有轻微退化。此外,CFA与FSOD方法正交,作为即插即用模块运行,不增加模型容量或推理时间。
引用
@article{arxiv.2204.05220,
title = {CFA: Constraint-based Finetuning Approach for Generalized Few-Shot Object Detection},
author = {Karim Guirguis and Ahmed Hendawy and George Eskandar and Mohamed Abdelsamad and Matthias Kayser and Juergen Beyerer},
journal= {arXiv preprint arXiv:2204.05220},
year = {2022}
}