基于上下文感知聚合的稠密关系蒸馏用于少样本目标检测
计算机视觉与模式识别
2021-04-01 v1
摘要
传统的基于深度学习的目标检测方法需要大量边界框标注用于训练，而获取此类高质量标注数据成本高昂。少样本目标检测旨在仅用少量标注样本适应新类别，由于仅有少量数据时新物体的细粒度特征易被忽视，因而极具挑战。本工作中，为充分挖掘已标注新物体的特征并捕捉查询物体的细粒度特征，我们提出带上下文感知聚合的稠密关系蒸馏(DCNet)来解决少样本检测问题。该方法构建于基于元学习的框架之上，稠密关系蒸馏模块致力于充分利用支持特征，支持特征与查询特征以稠密方式匹配，以前馈形式覆盖所有空间位置。引导信息的充分使用赋予模型处理外观变化与遮挡等常见挑战的能力。此外，为更好捕捉尺度感知特征，上下文感知聚合模块自适应地利用不同尺度特征以获得更全面的表征。大量实验表明，我们提出的方法在 PASCAL VOC 和 MS COCO 数据集上取得了最先进的结果。代码将发布于 https://github.com/hzhupku/DCNet。
引用
@article{arxiv.2103.17115,
title = {Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection},
author = {Hanzhe Hu and Shuai Bai and Aoxue Li and Jinshi Cui and Liwei Wang},
journal= {arXiv preprint arXiv:2103.17115},
year = {2021}
}
备注
Accepted by CVPR2021