基于关联与判别的小样本目标检测
计算机视觉与模式识别
2022-06-07 v2
摘要
目标检测在过去十年取得了实质性进展。然而，仅用少量样本检测新类别仍具挑战性，因为低数据 regime 下的深度学习通常导致特征空间退化。现有工作采用整体微调范式来解决该问题，即模型首先在所有具有丰富样本的基类上预训练，然后用于刻画新类别特征空间。尽管如此，该范式仍不完美。在微调期间，新类别可能隐式利用多个基类的知识来构建其特征空间，这导致分散的特征空间，从而违背类间可分离性。为克服这些障碍，我们提出一种两步微调框架，即基于关联与判别的小样本目标检测（FADI），通过两个完整步骤为每个新类别构建判别性特征空间。1）在关联步骤中，与隐式利用多个基类相反，我们通过显式模仿特定基类特征空间来构建紧凑的新类别特征空间。具体而言，我们根据语义相似性将每个新类别与一个基类关联。此后，新类别的特征空间可轻易模仿所关联基类的训练良好的特征空间。2）在判别步骤中，为确保新类别与关联基类之间的可分离性，我们将基类与新类别的分类分支解耦。为进一步扩大所有类别间的类间可分离性，引入了集合专用间隔损失。在 Pascal VOC 和 MS-COCO 数据集上的大量实验表明，FADI 取得了新的 SOTA 性能，在任何 shot/split 下均将基线显著提升 +18.7。值得注意的是，该优势在极少样本场景下最为明显。
引用
@article{arxiv.2111.11656,
title = {Few-Shot Object Detection via Association and DIscrimination},
author = {Yuhang Cao and Jiaqi Wang and Ying Jin and Tong Wu and Kai Chen and Ziwei Liu and Dahua Lin},
journal= {arXiv preprint arXiv:2111.11656},
year = {2022}
}
备注
NeurIPS 2021 Camera Ready