用于少样本目标检测的解耦 DETR
计算机视觉与模式识别
2023-11-21 v1 人工智能
摘要
少样本目标检测（FSOD）作为一种解决严重数据匮乏问题的有效方法已被广泛讨论。当前工作在模型与数据方面显著推进了该问题。然而，大多数 FSOD 方法的整体性能仍未达到期望的精度。本文改进 FSOD 模型，以解决样本严重不平衡与特征传播弱的问题。为缓解来自数据充足基类的数据建模偏置，我们以多种方式考察将充足数据类与少样本类的参数解耦的效果。我们设计了一个基类-新类解耦的 DETR（DeDETR）用于 FSOD。我们还探索了 DETR 编码器与解码器之间各类跳跃连接。此外，我们注意到最佳输出可能来自解码器的中间层而非最后一层；因此，我们构建了一个统一的解码器模块，可动态融合解码器各层作为输出特征。我们在 PASCAL VOC 和 MSCOCO 等常用数据集上评估模型。结果表明，我们所提模块在微调与元学习两种范式下均能稳定提升 5% 至 10%，并超越了近期工作中的最高分数。
引用
@article{arxiv.2311.11570,
title = {Decoupled DETR For Few-shot Object Detection},
author = {Zeyu Shangguan and Lian Huai and Tong Liu and Xingqun Jiang},
journal= {arXiv preprint arXiv:2311.11570},
year = {2023}
}