基于变分特征聚合的小样本目标检测
计算机视觉与模式识别
2023-02-01 v1
摘要
由于小样本目标检测器通常用大量基类样本训练并在小样本新类样例上微调，所学模型通常偏向于基类且对新类样例的方差敏感。为解决此问题，我们提出了一个具有两种新颖特征聚合方案的元学习框架。更确切地说，我们首先提出一种类无关聚合（CAA）方法，其中查询与支持特征可不顾其类别而聚合。不同类之间的交互鼓励类无关表示并减少基类与新类之间的混淆。基于 CAA，我们进而提出变分特征聚合（VFA）方法，其将支持样例编码为类级支持特征以实现鲁棒的特征聚合。我们使用变分自编码器估计类分布，并从分布中采样对支持样例方差更鲁棒的变分特征。此外，我们将分类与回归任务解耦，使 VFA 仅在分类分支上执行而不影响目标定位。在 PASCAL VOC 和 COCO 上的大量实验表明，我们的方法显著优于强基线（高达 16%）及先前最优方法（平均 4%）。代码将发布于：\url{https://github.com/csuhan/VFA}
引用
@article{arxiv.2301.13411,
title = {Few-Shot Object Detection via Variational Feature Aggregation},
author = {Jiaming Han and Yuqiang Ren and Jian Ding and Ke Yan and Gui-Song Xia},
journal= {arXiv preprint arXiv:2301.13411},
year = {2023}
}
备注
Accepted by AAAI2023