基于注意力RPN与多关系检测器的少样本目标检测
计算机视觉与模式识别
2020-05-12 v4
摘要
传统的目标检测方法通常需要大量训练数据，而准备此类高质量训练数据非常耗费人力。本文提出一种新颖的少样本目标检测网络，旨在仅利用少量标注样本检测未见类别的物体。我们方法的核心在于注意力RPN（Attention-RPN）、多关系检测器（Multi-Relation Detector）和对比训练（Contrastive Training）策略，它们利用少样本支持集与查询集之间的相似性来检测新物体，同时抑制背景中的误检。为训练我们的网络，我们贡献了一个包含1000类各种物体且带有高质量标注的新数据集。据我们所知，这是首批专门为少样本目标检测设计的数据集之一。一旦我们的少样本网络训练完成，它无需进一步训练或微调即可检测未见类别的物体。我们的方法具有通用性，并有广泛的潜在应用。我们在少样本设定下于不同数据集上取得了新的最先进（state-of-the-art）性能。数据集链接为 https://github.com/fanq15/Few-Shot-Object-Detection-Dataset。
引用
@article{arxiv.1908.01998,
title = {Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector},
author = {Qi Fan and Wei Zhuo and Chi-Keung Tang and Yu-Wing Tai},
journal= {arXiv preprint arXiv:1908.01998},
year = {2020}
}
备注
CVPR2020 Camera Ready. (Fix Figure 3 and Table 5. More implementation details in the supplementary material.)