少样本目标计数与检测
计算机视觉与模式识别
2022-07-29 v2
摘要
我们处理一项新的少样本目标计数与检测任务。给定目标物体类别的少量示例边界框，我们旨在计数并检测该目标类别的所有物体。该任务与少样本目标计数具有相同的监督信号，但额外输出物体边界框及物体总数。为解决这一具有挑战性的问题，我们引入了一种新颖的两阶段训练策略和一个新颖的感知不确定性的少样本目标检测器：Counting-DETR。前者旨在生成伪真实边界框以训练后者。后者利用前者提供的伪真实边界框，但采取必要措施以应对伪真实标注的不完善性。为验证我们的方法在新任务上的性能，我们引入了两个新数据集 FSCD-147 和 FSCD-LVIS。两个数据集均包含具有复杂场景、每图多个物体类别以及物体形状、大小和外观巨大变化的图像。我们提出的方法在计数和检测指标上均以较大优势优于从少样本目标计数和少样本目标检测改编的强基线。代码和模型可在 https://github.com/VinAIResearch/Counting-DETR 获取。
引用
@article{arxiv.2207.10988,
title = {Few-shot Object Counting and Detection},
author = {Thanh Nguyen and Chau Pham and Khoi Nguyen and Minh Hoai},
journal= {arXiv preprint arXiv:2207.10988},
year = {2022}
}
备注
Accepted to ECCV 2022; The first two authors contribute equally