DeFRCN：用于少样本目标检测的解耦Faster R-CNN
计算机视觉与模式识别
2021-08-23 v1
摘要
少样本目标检测旨在从先前未见类别的极少标注样本中快速检测新目标，已引起社区的显著研究兴趣。大多数现有方法采用Faster R-CNN作为基础检测框架，然而由于缺乏针对数据稀缺场景的定制考量，其性能往往不尽如人意。在本文中，我们仔细审视常规Faster R-CNN，并从两个正交视角分析其矛盾，即多阶段（RPN vs. RCNN）与多任务（分类 vs. 定位）。为解决这些问题，我们提出一种简单而有效的架构，称为解耦Faster R-CNN（DeFRCN）。具体而言，我们通过引入用于多阶段解耦的梯度解耦层与用于多任务解耦的原型校准块来扩展Faster R-CNN。前者是一种重新定义特征前向操作与梯度反向操作以解耦其后续层与前层的新颖深层，后者是一种以检测器生成的提议为输入、并通过附加成对分数校准提升原始分类分数的离线基于原型的分类模型。在多个基准上的大量实验表明，我们的框架显著优于其他现有方法，并在少样本文献中确立了新的最先进水平（SOTA）。
引用
@article{arxiv.2108.09017,
title = {DeFRCN: Decoupled Faster R-CNN for Few-Shot Object Detection},
author = {Limeng Qiao and Yuxuan Zhao and Zhiyuan Li and Xi Qiu and Jianan Wu and Chi Zhang},
journal= {arXiv preprint arXiv:2108.09017},
year = {2021}
}
备注
Accepted by ICCV 2021