iFS-RCNN：一种增量少样本实例分割器
计算机视觉与模式识别
2022-06-01 v1
摘要
本文研究增量少样本实例分割问题：当新物体类别的少量样本到来且不再能访问旧类别的训练样本时，目标是在旧类别和新类别上均表现良好。我们通过扩展通用Mask-RCNN框架的第二阶段做出两点贡献——具体而言，我们指定了一种基于probit函数的新物体类别分类器，以及一种新不确定性引导的边界框预测器。前者利用贝叶斯学习解决新类别训练样本匮乏的问题；后者不仅学习预测物体边界框，还估计预测的不确定性以作为边界框精炼的引导。我们还依据估计的物体类别分布与边界框不确定性指定了两个新损失函数。我们的贡献在COCO数据集上相较最先进水平带来了显著性能提升——具体为新类别AP实例分割指标+6、旧类别+16。此外，我们首个在更具挑战性的LVIS数据集上评估增量少样本设定。
引用
@article{arxiv.2205.15562,
title = {iFS-RCNN: An Incremental Few-shot Instance Segmenter},
author = {Khoi Nguyen and Sinisa Todorovic},
journal= {arXiv preprint arXiv:2205.15562},
year = {2022}
}
备注
Accepted to CVPR 2022