LEDetection：一种用于半监督少样本目标检测的简易框架
计算机视觉与模式识别
2024-02-15 v3 机器学习
摘要
少样本目标检测（FSOD）是一项极具挑战性的任务，旨在从少量样本中检测新概念。现有的 FSOD 方法均假设有丰富的基类标签以适应新物体。本文研究半监督 FSOD 这一新任务，考虑基类和新型标签同时稀缺的现实场景。我们在提出的标签高效检测框架内探索无标签数据的效用，发现其通过区域提议显著提升半监督 FSOD 的能力。受此发现启发，我们引入 SoftER Teacher，一种将伪标注与区域提议上一致性学习相结合的鲁棒检测器，以利用无标签数据改进 FSOD，而无需依赖大量标签。严谨的实验表明，SoftER Teacher 仅使用所需基类标签的 10% 便超越了强监督检测器的新型检测性能，且未出现先前方法中观察到的灾难性遗忘。我们的工作也揭示了半监督检测与少样本检测之间的潜在关系，表明更强的半监督检测器会带来更有效的少样本检测器。
引用
@article{arxiv.2303.05739,
title = {LEDetection: A Simple Framework for Semi-Supervised Few-Shot Object Detection},
author = {Phi Vu Tran},
journal= {arXiv preprint arXiv:2303.05739},
year = {2024}
}
备注
AISTATS 2024. The code is available at https://github.com/lexisnexis-risk-open-source/ledetection