FLAME：通过主动边际样本探索实现零样图-飞行OVD适应的few-shot局部化
机器学习
2025-11-11 v2 人工智能
信息检索
摘要
开放词汇目标检测(OVD)模型通过检测任意文本查询的对象而提供了显著的灵活性。然而，其在专门领域如遥感(RS)中的零样性能常因自然语言的内在歧义而受到影响，限制了关键下游应用。例如，OVD模型可能难以区分细粒度类别如"fishing boat"和"yacht"，因为它们的嵌入相似且常难以分割。这会阻碍特定用户目标（如监控非法捕鱼），导致产生无关检测。为此，我们提出一种级联方法，将大型预训练OVD模型的广泛泛化与轻量级few-shot分类器耦合。该方法首先使用零样模型生成高召回率的对象提案，然后通过仅使用少量用户标注样本在实时训练的紧凑分类器对提案进行高精度细化——大幅降低RS影像标注成本。该框架的核心是FLAME：一种一步主动学习策略，通过密度估计识别决策边界附近的不确定边际候选样本，再通过聚类确保样本多样性。该高效采样技术在不需高成本全模型微调的情况下实现高准确率，使即时适应成为可能（less then a minute），显著快于state-of-the-art替代方案。我们的方法在RS基准测试中持续超越state-of-the-art，建立了一个实用且资源高效的框架，用于将基础模型适应具体用户需求。
关键词
引用
@article{arxiv.2510.17670,
title = {On-the-Fly OVD Adaptation with FLAME: Few-shot Localization via Active Marginal-Samples Exploration},
author = {Yehonathan Refael and Amit Aides and Aviad Barzilai and George Leifman and Genady Beryozkin and Vered Silverman and Bolous Jaber and Tomer Shekel},
journal= {arXiv preprint arXiv:2510.17670},
year = {2025}
}