协作的 RPN 改进少样本目标检测
计算机视觉与模式识别
2020-11-23 v1
摘要
从极少训练样本学习检测图像中的物体——少样本目标检测——具有挑战性，因为看到候选框的分类器训练数据极少。当训练样本为一或两个时，会出现尤其具有挑战性的训练机制。在这种情况下，如果区域提议网络（RPN）即使漏掉一个高交并比（IOU）训练框，分类器对物体外观变化方式的建模也会受到严重影响。我们使用多个不同 yet 协作的 RPN。我们的 RPN 被训练得不同，但不过于不同；这样做在 COCO 和 PASCAL VOC 的极少样本设定下，相较最先进水平取得了显著的性能提升。该效应似乎与分类器或数据集的选择无关。
引用
@article{arxiv.2011.10142,
title = {Cooperating RPN's Improve Few-Shot Object Detection},
author = {Weilin Zhang and Yu-Xiong Wang and David A. Forsyth},
journal= {arXiv preprint arXiv:2011.10142},
year = {2020}
}