通过检测器融合的少样本批量增量道路目标检测
计算机视觉与模式识别
2021-08-19 v1 人工智能
摘要
增量少样本学习已成为深度学习中的一个新兴且具有挑战性的领域，其目标是仅使用极少的新类数据样本、且不使用任何旧类数据来训练深度学习模型。在这项工作中，我们利用来自 India Driving Dataset (IDD) 的数据解决了批量增量少样本道路目标检测问题。我们的方法 DualFusion 以某种方式组合目标检测器，使我们能够用非常有限的数据学习检测稀有目标，同时不会严重降低检测器在常见类别上的性能。在 IDD OpenSet 增量少样本检测任务中，我们在基类上取得了 40.0 的 mAP50 分数，总体 mAP50 分数为 38.8，两者均为迄今最高。在 COCO 批量增量少样本检测任务中，我们取得了 9.9 的新类 AP 分数，超过同任务上最先进新类性能逾 6.6 倍。
引用
@article{arxiv.2108.08048,
title = {Few-Shot Batch Incremental Road Object Detection via Detector Fusion},
author = {Anuj Tambwekar and Kshitij Agrawal and Anay Majee and Anbumani Subramanian},
journal= {arXiv preprint arXiv:2108.08048},
year = {2021}
}
备注
accepted in 2nd Autonomous Vehicle Vision Workshop, ICCV2021