Context-Transformer：解决少样本检测中的目标混淆问题

少样本目标检测是一种具有挑战性但现实的场景，其中仅有少量带标注的训练图像可用于训练检测器。处理该问题的一种流行方法是迁移学习，即微调在源域基准上预训练的检测器。然而，这种迁移后的检测器常因训练样本数据多样性低而无法识别目标域中的新目标。为解决此问题，我们在一个简洁的深度迁移框架内提出了一种新颖的 Context-Transformer。具体而言，Context-Transformer 能有效利用源域目标知识作为引导，并从目标域仅有的少量训练图像中自动挖掘上下文。随后，它可自适应地整合这些关系线索以增强检测器的判别能力，从而减少少样本场景下的目标混淆。此外，Context-Transformer 可灵活嵌入流行的 SSD 风格检测器中，使其成为端到端少样本学习的即插即用模块。最后，我们在少样本检测与增量少样本检测的具有挑战性的设定上评估了 Context-Transformer。实验结果表明，我们的框架优于近期最先进的方法。