DiGeo：面向广义少样本目标检测的判别性几何感知学习
计算机视觉与模式识别
2023-03-20 v1 人工智能
摘要
广义少样本目标检测旨在对具有丰富标注的基类以及具有有限训练数据的新类均实现精确检测。现有方法以增强少样本泛化能力为代价牺牲基类性能，或在基类检测中保持高精度而新类适应改进有限。本文指出其原因在于对所有类别的判别性特征学习不足。为此，我们提出一种新的训练框架 DiGeo，以学习类间分离与类内紧凑的几何感知特征。为引导特征簇的分离，我们推导了一个离线单纯形等角紧框架（ETF）分类器，其权重作为类中心且被最大化且等距地分离。为收紧每类的簇，我们将自适应类特定间隔引入分类损失并鼓励特征靠近类中心。在两个少样本基准数据集（VOC、COCO）和一个长尾数据集（LVIS）上的实验研究表明，使用单一模型，我们的方法可有效提升新类的泛化而不损害基类的检测。
引用
@article{arxiv.2303.09674,
title = {DiGeo: Discriminative Geometry-Aware Learning for Generalized Few-Shot Object Detection},
author = {Jiawei Ma and Yulei Niu and Jincheng Xu and Shiyuan Huang and Guangxing Han and Shih-Fu Chang},
journal= {arXiv preprint arXiv:2303.09674},
year = {2023}
}
备注
CVPR 2023 Camera Ready (Supp Attached). Code Link: https://github.com/Phoenix-V/DiGeo