面向小样本目标检测的双重感知注意力
计算机视觉与模式识别
2021-09-17 v3
摘要
尽管近期进展显著提升了小样本分类(FSC)性能，小样本目标检测(FSOD)对现代学习系统而言仍具挑战性。现有FSOD系统沿用FSC方法，忽视了空间可变性和不确定表示等关键问题，从而导致性能低下。鉴于此，我们提出一种新颖的\textbf{双重感知注意力(DAnA)}机制，使网络能够自适应地理解给定的支持图像。DAnA将支持图像转换为\textbf{查询位置感知}(QPA)特征，通过向查询的每个局部区域分配定制的支持信息来精确引导检测网络。此外，所提出的DAnA组件灵活且可适配多种现有目标检测框架。通过采用DAnA，原本并非为小样本学习设计的传统目标检测网络Faster R-CNN和RetinaNet，在FSOD任务中达到了最先进性能。与先前方法相比，我们的模型性能提升达47%(+6.9 AP)，在各种评估设置下均展现出卓越能力。
引用
@article{arxiv.2102.12152,
title = {Dual-Awareness Attention for Few-Shot Object Detection},
author = {Tung-I Chen and Yueh-Cheng Liu and Hung-Ting Su and Yu-Cheng Chang and Yu-Hsiang Lin and Jia-Fong Yeh and Wen-Chin Chen and Winston H. Hsu},
journal= {arXiv preprint arXiv:2102.12152},
year = {2021}
}