Meta R-CNN：面向实例级少样本学习的通用求解器
计算机视觉与模式识别
2020-03-17 v2 机器学习
摘要
类似于人类的快速学习能力，少样本学习使视觉系统能通过少量样本训练理解新概念。主流方法源于对含单一视觉对象图像的元学习。受复杂背景与单图中多对象的干扰，它们难以推动少样本目标检测/分割的研究。本工作中，我们提出一种灵活且通用的方法来实现这些任务。我们的工作通过提出在RoI（感兴趣区域，Region-of-Interest）特征而非整图特征上的元学习，扩展了Faster/Mask R-CNN。这一简单思路在不加额外技巧的情况下解耦了与背景融合的多对象信息，使Faster/Mask R-CNN转变为元学习器以完成上述任务。具体而言，我们引入一个与Faster/Mask R-CNN共享主骨干的预测头重塑网络（PRN）。PRN接收含少样本对象及其边界框或掩码的图像，推断其类别注意力向量。这些向量对RoI特征施加通道级软注意力，重塑那些R-CNN预测头以检测或分割与这些向量所代表类别一致的对象。在我们的实验中，Meta R-CNN在少样本目标检测上取得了最先进（state of the art）性能，并提升了Mask R-CNN的少样本目标分割。
引用
@article{arxiv.1909.13032,
title = {Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning},
author = {Xiaopeng Yan and Ziliang Chen and Anni Xu and Xiaoxi Wang and Xiaodan Liang and Liang Lin},
journal= {arXiv preprint arXiv:1909.13032},
year = {2020}
}
备注
Published in ICCV-2019. Project: https://yanxp.github.io/metarcnn.html