用于在线少样本目标检测的 Cos R-CNN
计算机视觉与模式识别
2023-07-26 v1
摘要
我们提出 Cos R-CNN，一种简单的基于样本示例的 R-CNN 形式，专为在线少样本目标检测而设计。即它能够在仅有少量样本的情况下定位并分类图像中的新颖目标类别，而无需微调。Cos R-CNN 将检测视为一个学习比较的任务：未见过的类别由样本示例图像表示，目标根据其与这些示例的相似度被检测出来。基于余弦的分类头允许分类参数对示例嵌入进行动态适配，并促使相似类别在嵌入空间中聚类，而无需手动调节距离度量超参数。这一简单形式在近期提出的 5-way ImageNet 少样本检测基准上取得了最佳结果，在在线 1/5/10-shot 场景下分别超出 8%/3%/1% 以上，并且在在线 20-way 少样本 VOC 的新颖类别所有 shot 上表现高出至多 20%。
引用
@article{arxiv.2307.13485,
title = {Cos R-CNN for Online Few-shot Object Detection},
author = {Gratianus Wesley Putra Data and Henry Howard-Jenkins and David Murray and Victor Prisacariu},
journal= {arXiv preprint arXiv:2307.13485},
year = {2023}
}
备注
Unpublished tech report from 2020