增量少样本目标检测
计算机视觉与模式识别
2020-03-16 v2
摘要
大多数现有目标检测方法依赖于每类大量标注训练样本以及离线批量模式的模型训练。这些要求严重限制了它们以有限标注训练数据开放性地容纳新类的可扩展性。我们提出一项研究，旨在通过考虑增量少样本检测（iFSD）问题设定来超越这些局限，其中新类必须增量注册（无需重访基类）且仅有少量示例。为此，我们提出 OpeN-ended Centre nEt（ONCE），一种为增量学习用少量示例检测新类物体而设计的检测器。这通过将 CentreNet 检测器优雅地适配到少样本学习场景，并元学习一个用于注册新类的类特定代码生成器模型来实现。ONCE 完全遵循增量学习范式，新类注册仅需少样本训练样本的单次前向传播，且无需访问基类——从而使其适合部署在嵌入式设备上。在标准目标检测与时尚关键点检测任务上进行的广泛实验首次展示了 iFSD 的可行性，开辟了一条有趣且非常重要的研究路线。
引用
@article{arxiv.2003.04668,
title = {Incremental Few-Shot Object Detection},
author = {Juan-Manuel Perez-Rua and Xiatian Zhu and Timothy Hospedales and Tao Xiang},
journal= {arXiv preprint arXiv:2003.04668},
year = {2020}
}
备注
CVPR 2020