面向少样本目标检测的快速分层学习
计算机视觉与模式识别
2022-10-12 v1 机器人学
摘要
基于迁移学习的方法近期在少样本检测任务上取得了有前景的结果。然而，这些方法由于对基础检测器进行微调而面临“灾难性遗忘”问题，导致在基础类别上的性能次优。此外，随机梯度下降（SGD）的缓慢收敛速率导致高延迟，从而限制了实时应用。我们在本工作中解决了上述问题。我们将少样本检测构建为一个分层学习问题，其中新类别被视为现有基础类别和背景类别的子类别。随后，使用一种专门的优化策略训练新类别的检测头，与 SGD 相比，训练时间显著降低。我们的方法在少样本 MS-COCO 基准测试上获得了具有竞争力的新类别性能，同时完全保留了初始模型在基础类别上的性能。我们进一步展示了我们的方法在一种新的类别细化少样本检测任务上的应用。
引用
@article{arxiv.2210.05008,
title = {Fast Hierarchical Learning for Few-Shot Object Detection},
author = {Yihang She and Goutam Bhat and Martin Danelljan and Fisher Yu},
journal= {arXiv preprint arXiv:2210.05008},
year = {2022}
}
备注
8 pages, 5 figures, accepted by IROS2022