基于元策略与显式定位推断的即时响应少样本目标检测
计算机视觉与模式识别
2022-05-13 v2
摘要
少样本目标检测（FSOD）旨在利用少量参考样本识别并定位新类别物体，是一项极具挑战性的任务。先前工作常依赖微调过程将模型迁移至新类别，且很少考虑微调的缺陷，导致诸多应用弊端。例如，由于过多的微调次数，这些方法在情节可变的场景中远不能令人满意，且其在低质量（如低样本量与类别不完整）支持集上的性能严重退化。为此，本文提出一种即时响应少样本目标检测器（IR-FSOD），可在无需微调过程的情况下准确且直接地检测新类别物体。为实现该目标，我们仔细分析了Faster R-CNN框架各独立模块在FSOD设定下的缺陷，进而通过改进这些缺陷将其扩展为IR-FSOD。具体而言，我们首先为边界框分类器与RPN模块提出两种简单而有效的元策略，以实现新类别物体的即时响应检测。随后，我们向定位模块引入两种显式推断以缓解其对基类别的过拟合，包括显式定位分数与半显式边界框回归。大量实验表明，IR-FSOD框架不仅实现了即时响应的少样本目标检测，而且在多种FSOD设定下在精度与召回率上达到了最先进的性能。
引用
@article{arxiv.2110.13377,
title = {Instant Response Few-shot Object Detection with Meta Strategy and Explicit Localization Inference},
author = {Junying Huang and Fan Chen and Sibo Huang and Dongyu Zhang},
journal= {arXiv preprint arXiv:2110.13377},
year = {2022}
}