面向少样本目标检测的动态关联学习
计算机视觉与模式识别
2023-03-23 v3 机器学习
摘要
昂贵的边界框标注限制了目标检测任务的发展。因此，有必要关注更具挑战性的少样本目标检测任务。该任务要求检测器仅使用少量训练样本即可识别新类别的物体。目前，许多采用类似元学习训练方式的流行方法已取得了令人瞩目的性能，例如 Meta R-CNN 系列。然而，支持数据每次仅被用作类别注意力来引导查询图像的检测，它们之间的相互关联尚未被利用。此外，近期大量工作将支持数据与查询图像视为独立分支，未考虑二者之间的关系。为解决此问题，我们提出了一种动态关联学习模型，利用所有支持图像与查询图像上感兴趣区域（RoI）之间的关系构建动态图卷积网络（GCN）。通过该 GCN 的输出调整基础检测器的预测分布，所提模型充当一项困难辅助分类任务，隐式地引导检测器改进类别表征。我们在 Pascal VOC 和 MS-COCO 数据集上进行了全面的实验。所提模型取得了最佳的整体性能，表明其学习更具泛化特征的有效性。我们的代码可在 https://github.com/liuweijie19980216/DRL-for-FSOD 获取。
引用
@article{arxiv.2108.02235,
title = {Dynamic Relevance Learning for Few-Shot Object Detection},
author = {Weijie Liu and Chong Wang and Haohe Li and Shenghao Yu and Jiafei Wu},
journal= {arXiv preprint arXiv:2108.02235},
year = {2023}
}
备注
12 pages, 8 figures, 7 tables