幻觉生成提升少样本目标检测
计算机视觉与模式识别
2021-05-05 v1
摘要
学习从少量标注样本中检测新物体具有重要的实际意义。一个尤其具挑战性却常见的情形是样本极其有限(少于三个)。改善少样本检测的一个关键因素是解决训练数据缺乏变化的问题。我们提出通过迁移基类共享的类内变化,为新类别构建更好的变化模型。为此,我们引入一个幻觉生成器网络,学习在感兴趣区域(RoI)特征空间中生成额外且有用的训练样本,并将其整合进现代目标检测模型。我们的方法在两种具有不同提议生成流程的state-of-the-art少样本检测器上取得了显著的性能提升。特别地,我们在具挑战性的COCO基准上的极少量样本情形下达到了新的state of the art。
引用
@article{arxiv.2105.01294,
title = {Hallucination Improves Few-Shot Object Detection},
author = {Weilin Zhang and Yu-Xiong Wang},
journal= {arXiv preprint arXiv:2105.01294},
year = {2021}
}