面向道路目标检测的少样本学习
计算机视觉与模式识别
2021-03-18 v2
摘要
少样本学习是深度学习演进中备受关注的问题。本文中，我们考虑真实世界类别不平衡场景下的少样本目标检测（FSOD）问题。在实验中，我们使用了 India Driving Dataset (IDD)，因其包含了图像数据集中出现频率较低的道路目标类别，从而提供了适于少样本学习的设置。我们在两种实验设定下评估了基于度量学习与元学习的 FSOD 方法：（i）来自 IDD 的代表性（同域）划分，用于评估模型在道路图像语境下的学习能力；（ii）样本出现较少的目标类别，类似于真实世界中的开集设定。实验表明，在 novel 类别上，度量学习方法优于元学习方法：（i）同域下高出 11.2 mAP 点，（ii）开集下高出 1.0 mAP 点。我们还展示了在真实世界开放数据集中扩展目标类别为少样本学习研究提供了丰富的土壤。
引用
@article{arxiv.2101.12543,
title = {Few-Shot Learning for Road Object Detection},
author = {Anay Majee and Kshitij Agrawal and Anbumani Subramanian},
journal= {arXiv preprint arXiv:2101.12543},
year = {2021}
}
备注
Accepted to AAAI 2021 Workshop on Meta-Learning