通过知识继承实现高效小样本目标检测
计算机视觉与模式识别
2022-12-23 v2 人工智能
机器学习
摘要
小样本目标检测（FSOD）旨在学习一个通用检测器，能以稀缺训练样本适应未见任务，近来取得持续改进。然而，大多数现有方法忽视了效率问题，例如高计算复杂度和慢适应速度。值得注意的是，由于嵌入式AI的新兴趋势，效率已成为小样本技术日益重要的评价指标。为此，我们提出一个无计算增量的高效预训练-迁移框架（PTF）基线，其取得了与先前最优（SOTA）方法相当的结果。在此基线上，我们设计了一种名为知识继承（KI）的初始化器，为框分类器的新类权重提供可靠初始化，有效促进了知识迁移过程并提升了适应速度。在KI初始化器中，我们提出自适应长度重缩放（ALR）策略，以缓解预测新类权重与预训练基类权重之间的向量长度不一致。最终，我们的方法不仅在PASCAL VOC、COCO和LVIS三个公开基准上取得SOTA结果，还在COCO/LVIS基准的小样本迁移中展现出比其他方法快1.8-100倍的适应速度。据我们所知，这是首个考虑FSOD中效率问题的工作。我们希望推动强大且高效的小样本技术开发趋势。代码已公开于https://github.com/Ze-Yang/Efficient-FSOD。
引用
@article{arxiv.2203.12224,
title = {Efficient Few-Shot Object Detection via Knowledge Inheritance},
author = {Ze Yang and Chi Zhang and Ruibo Li and Yi Xu and Guosheng Lin},
journal= {arXiv preprint arXiv:2203.12224},
year = {2022}
}
备注
Accepted to IEEE Transactions on Image Processing (TIP). Codes are available at https://github.com/Ze-Yang/Efficient-FSOD