Meta-DETR：利用类间相关性的图像级少样本检测
计算机视觉与模式识别
2022-08-02 v1 人工智能
机器学习
多媒体
摘要
少样本目标检测已通过将对元学习的引入结合到基于区域的检测框架中得到了广泛研究。尽管取得了成功，上述范式仍受若干因素制约，例如（i）新颖类别的候选区域质量低，以及（ii）忽视不同类别之间的类间相关性。此类局限阻碍了基类知识向新颖类目标检测的泛化。在本工作中，我们设计了 Meta-DETR，其（i）是首个图像级少样本检测器，且（ii）引入了一种新颖的类间相关性元学习策略，以捕获并利用不同类别间的相关性，从而实现鲁棒且准确的少样本目标检测。Meta-DETR 完全在图像级工作，无需任何候选区域，从而规避了主流少样本检测框架中候选区域不准确的限制。此外，所引入的相关性元学习使 Meta-DETR 能够在单次前馈中同时关注多个支持类，从而捕获不同类别间的类间相关性，显著减少了相似类别的误分类并增强了对新颖类的知识泛化。在多个少样本目标检测基准上的实验表明，所提出的 Meta-DETR 大幅优于最先进的方法。实现代码可在 https://github.com/ZhangGongjie/Meta-DETR 获取。
引用
@article{arxiv.2208.00219,
title = {Meta-DETR: Image-Level Few-Shot Detection with Inter-Class Correlation Exploitation},
author = {Gongjie Zhang and Zhipeng Luo and Kaiwen Cui and Shijian Lu and Eric P. Xing},
journal= {arXiv preprint arXiv:2208.00219},
year = {2022}
}
备注
Accepted by T-PAMI (IEEE Transactions on Pattern Analysis and Machine Intelligence). Codes: https://github.com/ZhangGongjie/Meta-DETR