遥感中的小样本目标检测：打破不完整标注新物体带来的诅咒
计算机视觉与模式识别
2023-09-20 v1
摘要
目标检测是计算机视觉和卫星图像处理中一项基础且重要的任务。现有的深度学习方法凭借大规模标注数据集的可用性取得了令人印象深刻的性能。然而，在现实应用中，标签的可用性是有限的。在此背景下，小样本目标检测（FSOD）已成为一个有前景的方向，其旨在使模型仅用少量标注的新物体就能检测它们。然而，许多现有的 FSOD 算法忽视了一个关键问题：当输入图像包含多个新物体且只有其中一部分被标注时，未标注的物体在训练期间将被视为背景。这会导致混淆并严重影响模型召回新物体的能力。为解决此问题，我们提出了一种基于自训练的小样本目标检测（ST-FSOD）方法，将自训练机制融入小样本微调过程。ST-FSOD 旨在发现未标注的新物体，并在训练中将其考虑在内。一方面，我们设计了一个双分支区域提议网络（RPN）来分离基类和新型物体的提议提取；另一方面，我们将学生-教师机制引入 RPN 和感兴趣区域（RoI）头，以将这些高置信度但未标注的目标作为伪标签。实验结果表明，我们提出的方法在各种 FSOD 设定下大幅优于当前最优方法。代码将在 https://github.com/zhu-xlab/ST-FSOD 公开。
引用
@article{arxiv.2309.10588,
title = {Few-shot Object Detection in Remote Sensing: Lifting the Curse of Incompletely Annotated Novel Objects},
author = {Fahong Zhang and Yilei Shi and Zhitong Xiong and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2309.10588},
year = {2023}
}