分层少样本目标检测：问题、基准与方法
计算机视觉与模式识别
2022-10-11 v1
摘要
少样本目标检测（FSOD）是利用少量样本检测目标。然而，现有 FSOD 方法未考虑现实广泛存在的目标分层细粒度类别结构。例如，动物在分类学上被划分为目、科、属、种等。本文提出并解决一个名为分层少样本目标检测（Hi-FSOD）的新问题，旨在 FSOD 范式下检测具有分层类别的目标。为此，一方面，我们构建了首个大规模高质量 Hi-FSOD 基准数据集 HiFSOD-Bird，包含 176,350 张野鸟图像，归入 1,432 个类别。所有类别组织为 4 级分类体系，包括 32 个目、132 个科、572 个属和 1,432 个种。另一方面，我们提出首个 Hi-FSOD 方法 HiCLPL，其中发展了分层对比学习方法来约束特征空间，使目标特征分布与分层分类体系一致并增强模型泛化能力。同时，设计了一种概率损失，使分类体系中的子节点能够纠正其父节点的分类错误。在基准数据集 HiFSOD-Bird 上的大量实验表明，我们的方法 HiCLPL 优于现有 FSOD 方法。
引用
@article{arxiv.2210.03940,
title = {Hierarchical Few-Shot Object Detection: Problem, Benchmark and Method},
author = {Lu Zhang and Yang Wang and Jiaogen Zhou and Chenbo Zhang and Yinglu Zhang and Jihong Guan and Yatao Bian and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2210.03940},
year = {2022}
}
备注
Accepted by ACM MM 2022