ECEA：用于少样本目标检测的可扩展共存注意力
计算机视觉与模式识别
2023-09-18 v1
摘要
少样本目标检测（FSOD）从极少量标注样本中识别物体。近期大多数现有 FSOD 方法采用两阶段学习范式，通过学习的全局特征将丰富基类上学到的知识迁移以辅助少样本检测器。然而，此类现有 FSOD 方法很少考虑物体从局部到全局的定位。受限于 FSOD 中稀缺的训练数据，新类的训练样本通常只捕获物体的一部分，导致这类 FSOD 方法在测试时无法检测完全未见的物体。为应对该问题，我们提出一种可扩展共存注意力（ECEA）模块，使模型能依据局部部件推断全局物体。本质上，所提模块在具有丰富样本的基类阶段持续学习可扩展能力，并将其迁移至新类阶段，从而辅助少样本模型快速适应于将局部区域扩展为共存区域。具体而言，我们首先设计了一种可扩展注意力机制，其从局部区域出发，将注意力扩展至与给定局部区域相似且相邻的共存区域。随后我们在不同特征尺度上实现该可扩展注意力机制，以在各种感受野中逐步发现完整物体。在 PASCAL VOC 和 COCO 数据集上的大量实验表明，我们的 ECEA 模块能辅助少样本检测器在部分区域未出现于训练样本时仍完整预测物体，并与现有 FSOD 方法相比取得了新的最优性能。
引用
@article{arxiv.2309.08196,
title = {ECEA: Extensible Co-Existing Attention for Few-Shot Object Detection},
author = {Zhimeng Xin and Tianxu Wu and Shiming Chen and Yixiong Zou and Ling Shao and Xinge You},
journal= {arXiv preprint arXiv:2309.08196},
year = {2023}
}
备注
12 pages, 7 figures