基于简单微调方法的增量少样本目标检测
计算机视觉与模式识别
2023-08-17 v1 人工智能
机器人学
摘要
本文探讨增量少样本目标检测（iFSD），其仅使用少量样本增量学习新类别而不 revisit 基类。以往的 iFSD 工作通过应用元学习取得了预期结果。然而，元学习方法表现出性能不足，难以应用于实际问题。有鉴于此，我们提出了一种基于简单微调的方法，即用于 iFSD 的增量两阶段微调方法（iTFA），包含三个步骤：1）使用具有类无关框回归器的丰富基类进行基训练；2）将 RoI 特征提取器与分类器分离为基类与新类分支以保留基础知识；3）仅使用少量新类样本微调新类分支。我们在真实世界数据集 PASCAL VOC、COCO 和 LVIS 上评估了 iTFA。iTFA 在 COCO 上取得了具有竞争力的性能，并在 LVIS 数据集上比元学习方法高出 30% 的 AP 精度。实验结果表明了我们所提方法的有效性与适用性。
引用
@article{arxiv.2302.09779,
title = {Incremental Few-Shot Object Detection via Simple Fine-Tuning Approach},
author = {Tae-Min Choi and Jong-Hwan Kim},
journal= {arXiv preprint arXiv:2302.09779},
year = {2023}
}
备注
Accepted to ICRA 2023