基于极值分析器的增量式零样本检测
计算机视觉与模式识别
2021-03-30 v2
摘要
人类不仅具有识别新颖未见类的能力,还能将新类增量式地并入已有的知识中。然而,零样本学习模型假设所有可见类应事先已知,而增量学习模型无法识别未见类。本文引入一项新颖且具挑战性的任务——增量式零样本检测(IZSD),这是一种在真实世界目标检测中兼顾零样本学习与类增量学习的实用策略。我们提出一种创新的端到端模型——IZSD-EVer来解决该任务,其要求增量式检测新类并检测从未见过的类。具体而言,我们提出一种新颖的极值分析器,用于同时检测来自旧可见类、新可见类和未见类的对象。此外在技术层面,我们提出两种创新损失:缓解图像前景与背景极端不平衡的背景-前景均方误差损失,以及对齐旧可见类视觉空间与语义空间的距离投影损失。实验证明了我们的模型在检测可见与未见类对象上的有效性,在Pascal VOC和MSCOCO数据集上优于对比模型。
引用
@article{arxiv.2103.12609,
title = {Incrementally Zero-Shot Detection by an Extreme Value Analyzer},
author = {Sixiao Zheng and Yanwei Fu and Yanxi Hou},
journal= {arXiv preprint arXiv:2103.12609},
year = {2021}
}
备注
International Conference on Pattern Recognition (ICPR)