利用关系知识实现可迁移的小样本细粒度目标检测
计算机视觉与模式识别
2022-12-02 v1 人工智能
摘要
最先进的目标检测器快速且准确,但它们需要大量精心标注的训练数据才能获得良好性能。然而,获取针对特定任务的海量训练标注(即细粒度标注)在实践中代价高昂。相比之下,从文本中获取常识性关系(例如“台灯是放在桌子上的灯”)要容易得多。此外,像“在……之上”这样的常识性关系易于以与任务无关的方式进行标注。在本文中,我们提出一种概率模型,利用此类关系知识将现成的粗粒度目标类别(如“桌子”、“灯”)检测器转化为细粒度类别(如“台灯”)检测器。我们证明,在可用极少量细粒度标注(整个数据集的 )时,我们的方法 RelDetect 取得了与基于微调的最先进目标检测器基线相竞争的性能。我们还证明 RelDetect 能够利用关系信息固有的可迁移性,在未见数据集(零样本迁移)上取得比上述基线更好的性能(提升 个 mAP 点)。总之,我们展示了在细粒度目标类别可通过合适关系关联到粗粒度类别的数据集上,利用关系进行目标检测的功效。
引用
@article{arxiv.2212.00770,
title = {On Utilizing Relationships for Transferable Few-Shot Fine-Grained Object Detection},
author = {Ambar Pal and Arnau Ramisa and Amit Kumar K C and René Vidal},
journal= {arXiv preprint arXiv:2212.00770},
year = {2022}
}
备注
8 pages, 3 figures