ISAR: 单样本与少样本目标实例分割与重识别基准

当今大多数在用的物体级建图系统都依赖于上游学习的物体实例分割模型。如果我们想让它们认识一个新物体或分割类别，就需要构建大型数据集并重新训练系统。为了构建能够快速学习新物体的空间 AI 系统，我们需要有效解决单样本物体检测、实例分割与重识别问题。迄今为止，既没有一个方法能统一满足所有这些要求，也没有一个可用于测试此类方法的基准。为此，我们提出 ISAR，一个面向单样本与少样本物体实例分割与重识别（Instance Segmentation And Re-identification）的基准与基线方法，以加速开发能够从单个或少量稀疏训练样本中稳健检测、分割并重识别物体的算法。我们提供了一个带有真实语义标注的半合成视频序列数据集、标准化评测流程以及一种基线方法。我们的基准与统一多目标跟踪、视频物体分割与重识别的新兴研究趋势相一致。