类增量少样本目标检测
计算机视觉与模式识别
2021-12-30 v2
摘要
传统检测网络通常需要大量带标注训练样本，而人类仅借助少量示例即可增量学习新概念。本文关注更具挑战性但更现实的类增量少样本目标检测问题（iFSD）。其旨在仅从少量标注样本增量迁移模型以识别新物体，同时不灾难性地遗忘先前所学物体。为应对该问题，我们提出一种新方法LEAST，其能以更少遗忘、更少训练资源与更强迁移能力进行迁移。具体地，我们首先提出迁移策略以减少不必要的权重适配并提升iFSD的迁移能力。在此基础上，我们进而以较少资源消耗的方式集成知识蒸馏技术以缓解遗忘，并提出一种基于聚类的 exemplar 选择过程以保留更多先前学到的判别性特征。作为一种通用且有效的方法，LEAST可大幅提升各基准上的iFSD性能。
引用
@article{arxiv.2105.07637,
title = {Class-Incremental Few-Shot Object Detection},
author = {Pengyang Li and Yanan Li and Han Cui and Donghui Wang},
journal= {arXiv preprint arXiv:2105.07637},
year = {2021}
}