面向少样本目标检测的元调谐损失函数与数据增强
计算机视觉与模式识别
2023-04-25 v1
摘要
少样本目标检测，即用少量训练实例建模新目标检测类别的问题，是少样本学习和目标检测领域中的一个新兴课题。当代技术可分为两类：基于微调的和基于元学习的方法。基于元学习的方法旨在学习专门的元模型以将样本映射到新类模型，而基于微调的方法以更简单的方式解决少样本检测，即通过基于梯度的优化将检测模型适配到新类。尽管简单，基于微调的方法通常产生有竞争力的检测结果。基于该观察，我们关注损失函数和数据增强作为驱动微调过程的作用，并提议通过元学习原则调谐其动态。因此，所提出的训练方案允许学习可提升少样本检测的归纳偏置，同时保持基于微调方法的优势。此外，与高度参数化且复杂的少样本元模型相反，所提方法产生可解释的损失函数。实验结果突出了所提方案的优点，在基准 Pascal VOC 和 MS-COCO 数据集上，无论是标准还是广义少样本性能指标，均相较强大的基于微调的少样本检测基线有显著改进。
引用
@article{arxiv.2304.12161,
title = {Meta-tuning Loss Functions and Data Augmentation for Few-shot Object Detection},
author = {Berkan Demirel and Orhun Buğra Baran and Ramazan Gokberk Cinbis},
journal= {arXiv preprint arXiv:2304.12161},
year = {2023}
}
备注
To appear at IEEE/CVF CVPR 2023