无遗忘的广义少样本目标检测
计算机视觉与模式识别
2021-05-21 v1
摘要
近来少样本目标检测被广泛采用以应对数据有限的情形。虽然以往大多数工作仅关注于少样本类别上的性能，我们主张检测所有类别至关重要，因为测试样本在真实应用中可能包含任意实例，这要求少样本检测器在不遗忘的情况下学习新概念。通过对基于迁移学习的方法进行分析，一些被忽视但有益的性质被利用来设计一个简单而有效的少样本检测器，Retentive R-CNN。它由偏置平衡RPN(Bias-Balanced RPN)和重检测器(Re-detector)组成，前者用于去偏预训练的RPN，后者用于在不遗忘先前知识的情况下找出少样本类物体。在少样本检测基准上的大量实验表明，Retentive R-CNN在所有设定下的总体性能上显著优于最先进方法，因为它能在少样本类上取得有竞争力的结果，且完全不降低基类性能。我们的方法已证明，长期期望的永不遗忘学习器在目标检测中是可用的。
引用
@article{arxiv.2105.09491,
title = {Generalized Few-Shot Object Detection without Forgetting},
author = {Zhibo Fan and Yuchen Ma and Zeming Li and Jian Sun},
journal= {arXiv preprint arXiv:2105.09491},
year = {2021}
}
备注
Accepted by CVPR 2021