FSCE：基于对比提议编码的小样本目标检测
计算机视觉与模式识别
2021-03-16 v2
摘要
在仅给定极少训练样本的情况下识别先前未见过的物体，即小样本目标检测（FSOD），已引起新兴关注。近期研究表明，良好的特征嵌入是取得优异小样本学习性能的关键。我们观察到具有不同交并比（IoU）分数的物体提议类似于对比方法中使用的图像内增强。我们利用这一类比并引入监督对比学习，以在 FSOD 中实现更鲁棒的物体表示。我们提出通过对比提议编码的小样本目标检测（FSCE），一种简单而有效的方法，用于学习对比感知的物体提议编码，从而促进被检测物体的分类。我们注意到稀有物体的平均精度（AP）下降主要源于将新实例误分类为易混淆类别。我们通过所提出的对比提议编码损失（CPE loss）提升实例级类内紧凑性和类间差异性，从而缓解误分类问题。我们的设计在任何样本数及所有数据划分下均优于当前最先进工作，在标准基准 PASCAL VOC 上提升达 +8.8%，在具挑战性的 COCO 基准上提升达 +2.7%。代码见：https://github.com/MegviiDetection/FSCE
引用
@article{arxiv.2103.05950,
title = {FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding},
author = {Bo Sun and Banghuai Li and Shengcai Cai and Ye Yuan and Chi Zhang},
journal= {arXiv preprint arXiv:2103.05950},
year = {2021}
}
备注
CVPR 2021 Accepted