MINI：为少样本目标检测挖掘隐式新类实例
计算机视觉与模式识别
2022-05-09 v1
摘要
从少量训练样本中学习是目标检测器的一项理想能力，这激发了对少样本目标检测（FSOD）的探索。现有大多数方法采用预训练-迁移范式。模型首先在具有丰富数据的基类上进行预训练，然后迁移到只有少量标注样本的新类上。尽管取得了显著进展，FSOD 的性能仍远未达到令人满意的程度。在预训练阶段，由于基类与新类的共现现象，模型学习将共现的新类视为背景。在迁移阶段，鉴于新类的样本稀缺，模型难以学习到具有判别性的特征以将新类实例与背景及基类区分开来。为了克服这些障碍，我们提出了一种新颖的框架——挖掘隐式新类实例，以挖掘广泛存在于丰富基类数据中但未被标注的隐式新类实例作为辅助训练样本。MINI 包含离线挖掘机制和在线挖掘机制。离线挖掘机制利用自监督判别模型与已训练的 FSOD 网络协同挖掘隐式新类实例。在线挖掘机制将挖掘出的新类实例作为辅助训练样本，采用师生框架同时动态更新 FSOD 网络和挖掘出的隐式新类实例。在 PASCAL VOC 和 MS-COCO 数据集上的大量实验表明，MINI 在任意 shot 和 split 上均取得了新的 SOTA 性能。显著的性能提升证明了我们方法的优越性。
引用
@article{arxiv.2205.03381,
title = {MINI: Mining Implicit Novel Instances for Few-Shot Object Detection},
author = {Yuhang Cao and Jiaqi Wang and Yiqi Lin and Dahua Lin},
journal= {arXiv preprint arXiv:2205.03381},
year = {2022}
}