用于克服少样本道路目标检测中类混淆的元引导度量学习器
计算机视觉与模式识别
2021-10-29 v1
摘要
由于数据样本稀少，自动驾驶应用中低频道路目标的定位与识别一直是一项挑战。少样本目标检测（FSOD）技术将已有基对象类的知识扩展至仅给定少量训练样本的新道路对象学习。FSOD 中流行的方法采用元学习或度量学习技术，但易陷入类混淆与基类遗忘。本工作中，我们引入一种新颖的元引导度量学习器（MGML）以克服 FSOD 中的类混淆。我们通过新颖的压缩激励（Squeeze and Excite）模块将新类特征权重高于基类特征，并对元学习器施加正交约束以促使学习真正具判别性的类特定特征。在 India Driving Dataset (IDD) 上，给定每新道路对象仅 10 个样本时，我们的方法以高达 11 mAP 点的优势优于 FSOD 中最先进（SoTA）方法，且类混淆最低仅为 20%。我们进一步在 PASCAL VOC 数据集的少样本划分上展示类似提升，在所有划分中以高达 5.8 mAP 优于 SoTA 方法。
引用
@article{arxiv.2110.15074,
title = {Meta Guided Metric Learner for Overcoming Class Confusion in Few-Shot Road Object Detection},
author = {Anay Majee and Anbumani Subramanian and Kshitij Agrawal},
journal= {arXiv preprint arXiv:2110.15074},
year = {2021}
}
备注
Accepted to NeurIPS 2021 Workshop on Machine Learning For Autonomous Driving, 12 pages, 6 figures