未知域中的少样本目标检测
计算机视觉与模式识别
2022-09-20 v2
摘要
少样本目标检测(FSOD)近年来蓬勃发展，通过迁移在丰富基类上获得的知识，以有限数据学习新目标类别。FSOD方法通常假设少量提供的新类别样本和测试时数据属于同一域。然而，在各种工业和机器人应用中该假设不成立，模型可从源域学习新类别而在目标域的类别上推理。本工作中，我们解决FSOD的零样本域自适应（亦称域泛化）任务。具体而言，我们假设训练时目标域中新类别的图像和标签均不可用。我们解决域差距的方法有两方面。首先，我们利用元训练范式，在基类上学习域偏移，然后将域知识迁移到新类别。其次，我们针对新类别的少量样本提出多种数据增强技术，以涵盖所有可能的域特定信息。为约束网络仅编码域无关的类特定表示，提出一种对比损失以最大化前景提议与类嵌入之间的互信息，并减少网络对来自目标域背景信息的偏置。我们在T-LESS、PASCAL-VOC和ExDark数据集上的实验表明，所提方法在无需利用目标域新类别的标签或图像的情况下，成功显著缓解了域差距。
引用
@article{arxiv.2204.05072,
title = {Few-Shot Object Detection in Unseen Domains},
author = {Karim Guirguis and George Eskandar and Matthias Kayser and Bin Yang and Juergen Beyerer},
journal= {arXiv preprint arXiv:2204.05072},
year = {2022}
}