MM-FSOD：元学习与度量学习集成的少样本目标检测
计算机视觉与模式识别
2021-01-01 v1 机器学习
摘要
在目标检测任务中，CNN（卷积神经网络）模型在训练过程中总是需要大量标注样本。为减少对昂贵标注的依赖，少样本目标检测已成为日益增长的研究焦点。本文提出一个有效的目标检测框架(MM-FSOD)，集成度量学习与元学习以应对少样本目标检测任务。我们的模型是一个类不可知检测模型，可准确识别训练样本中未出现的新类别。具体而言，为在无微调过程下快速学习新类别特征，我们提出元表示模块(MR 模块)以学习类内均值原型。MR 模块以元学习方法训练，获得重构高层特征的能力。为进一步计算支持原型与查询 RoI 特征之间的特征相似度，我们提出 Pearson 度量模块(PR 模块)作为分类器。与先前常用的度量方法余弦距离度量相比，PR 模块使模型将特征对齐至判别性嵌入空间。我们在基准数据集 FSOD、MS COCO 与 PASCAL VOC 上进行大量实验，以证明模型的可行性与高效性。与先前方法相比，MM-FSOD 取得了最先进(SOTA)结果。
引用
@article{arxiv.2012.15159,
title = {MM-FSOD: Meta and metric integrated few-shot object detection},
author = {Yuewen Li and Wenquan Feng and Shuchang Lyu and Qi Zhao and Xuliang Li},
journal= {arXiv preprint arXiv:2012.15159},
year = {2021}
}
备注
30 pages, 7 figures