GRSDet：学习生成局部反向样本用于小样本目标检测
计算机视觉与模式识别
2024-01-01 v2
摘要
小样本目标检测（FSOD）旨在仅使用少量新类训练数据实现目标检测。现有方法大多采用迁移学习策略，通过迁移基类知识来构建新类分布。然而，这种直接方式容易导致新类与决策空间中其他相似类别之间的混淆。为了解决这个问题，我们提出在原型参考帧中生成局部反向样本（LRSamples），以自适应调整新类分布的中心位置和边界范围，从而为FSOD学习更具判别性的新类样本。首先，我们提出一个中心校准方差增强（CCVA）模块，包含LRSamples的选择规则、LRSamples的生成器以及对校准后的分布中心进行增强。具体来说，我们设计了一个类内特征转换器（IFC）作为CCVA的生成器来学习选择规则。通过将IFC的知识从基类训练迁移到微调，IFC生成大量新样本以校准新类分布。此外，我们提出一个特征密度边界优化（FDBO）模块，根据样本与决策边界的距离自适应调整样本的重要性。它可以强调相似类高密度区域（更接近决策边界区域）的重要性，并降低相似类低密度区域（更远离决策边界区域）的权重，从而为每个类别优化更清晰的决策边界。我们进行了大量实验以证明我们方法的有效性。基于DeFRCN和MFDC基线，我们的方法在Pascal VOC和MS COCO数据集上取得了一致的改进。
引用
@article{arxiv.2312.16571,
title = {GRSDet: Learning to Generate Local Reverse Samples for Few-shot Object Detection},
author = {Hefei Mei and Taijin Zhao and Shiyuan Tang and Heqian Qiu and Lanxiao Wang and Minjian Zhang and Fanman Meng and Hongliang Li},
journal= {arXiv preprint arXiv:2312.16571},
year = {2024}
}