Meta-DETR：利用类间相关性挖掘的图像级小样本目标检测
计算机视觉与模式识别
2021-09-21 v3 人工智能
摘要
小样本目标检测已通过将对元学习引入基于区域的检测框架而得到广泛研究。尽管取得了成功，上述范式仍受若干因素制约，例如（i）新类别区域提议质量低，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类目标检测的泛化。本工作中，我们设计了 Meta-DETR，一种新颖的小样本检测框架，将用于元学习的相关性聚合引入 DETR 检测框架。Meta-DETR 完全在图像级工作，无需任何区域提议，从而规避了主流小样本检测框架中不准确提议的约束。此外，Meta-DETR 可在单次前馈中同时关注多个支持类。这一独特设计能够捕捉不同类别间的类间相关性，显著减少了相似类的误分类并增强了对新类的知识泛化。在多个小样本目标检测基准上的实验表明，所提出的 Meta-DETR 大幅优于当前最优（state-of-the-art）方法。实现代码将于 https://github.com/ZhangGongjie/Meta-DETR 发布。
引用
@article{arxiv.2103.11731,
title = {Meta-DETR: Image-Level Few-Shot Object Detection with Inter-Class Correlation Exploitation},
author = {Gongjie Zhang and Zhipeng Luo and Kaiwen Cui and Shijian Lu},
journal= {arXiv preprint arXiv:2103.11731},
year = {2021}
}
备注
Work improved from previous version. Codes and data will be made publicly available at https://github.com/ZhangGongjie/Meta-DETR