面向少样本目标检测的多视角数据增强
计算机视觉与模式识别
2025-02-26 v1
摘要
近期的少样本目标检测(FSOD)方法聚焦于为新类别增强合成样本，显示出针对扩散模型浪潮的潜力。然而，这类数据集的多样性往往受限于代表性不足，因为缺乏对典型和困难样本的敏感性，尤其是在前景与背景关系的语境中。为解决此问题，我们提出了多视角数据增强(MPAD)框架。就前景-前景关系而言，我们提出了基于边界框调整的原地学习目标合成(ICOS)，以增强合成样本的细节和空间信息。受大间隙原理启发，支持样本在定义类别边界方面发挥关键作用。因此，我们设计了调和提示聚合调度器(HPAS)，在扩散模型的每个生成步骤中混合提示嵌入，产生困难的新样本。对于前景-背景关系，我们引入背景提议方法(BAP)，用于抽样典型和困难的背景。在多个FSOD基准测试上进行的大量实验表明，我们方法的有效性。我们的框架在PASCAL VOC上显著优于传统方法，在nAP50上平均提升。代码可在https://github.com/nvakhoa/MPAD获取。
引用
@article{arxiv.2502.18195,
title = {Multi-Perspective Data Augmentation for Few-shot Object Detection},
author = {Anh-Khoa Nguyen Vu and Quoc-Truong Truong and Vinh-Tiep Nguyen and Thanh Duc Ngo and Thanh-Toan Do and Tam V. Nguyen},
journal= {arXiv preprint arXiv:2502.18195},
year = {2025}
}
备注
ICLR 2025