用于少样本目标检测的多尺度正样本精炼
计算机视觉与模式识别
2020-07-21 v1
摘要
少样本目标检测(FSOD)帮助检测器以少量训练样本适应未见类别,在人工标注耗时或数据获取受限时十分有用。与以往利用少样本分类技术促进 FSOD 的尝试不同,本工作强调了处理尺度变化问题的必要性,由于独特的样本分布,该问题颇具挑战。为此,我们提出多尺度正样本精炼(MPSR)方法以丰富 FSOD 中的目标尺度。该方法生成多尺度正样本作为目标金字塔,并在不同尺度上精炼预测。我们将其作为辅助分支集成到流行的带 FPN 的 Faster R-CNN 架构中,提供了一个强力的 FSOD 方案,由此证明了其优势。在 PASCAL VOC 和 MS COCO 上进行了若干实验,所提方法取得了最先进结果并显著优于其他对照方法,显示了其有效性。代码见 https://github.com/jiaxi-wu/MPSR。
引用
@article{arxiv.2007.09384,
title = {Multi-Scale Positive Sample Refinement for Few-Shot Object Detection},
author = {Jiaxi Wu and Songtao Liu and Di Huang and Yunhong Wang},
journal= {arXiv preprint arXiv:2007.09384},
year = {2020}
}
备注
Accepted at ECCV 2020