面向少样本目标检测的基础-新类共性多面蒸馏

现有大多数少样本目标检测方法遵循微调范式，其潜在假设是类不可知的可泛化知识可通过这种两阶段训练策略，从样本丰富的基础类隐式学习并迁移到样本有限的新类。然而这未必成立，因为目标检测器在没有显式建模的情况下难以自动区分类不可知知识与类特定知识。在本工作中，我们提出显式学习基础类与新类之间的三类类不可知共性：识别相关语义共性、定位相关语义共性和分布共性。我们设计了一个基于记忆库的统一蒸馏框架，能够联合且高效地蒸馏全部三类共性。大量实验表明，我们的方法可轻松集成到大多数现有基于微调的方法中，并持续大幅提升了性能。