基于协同注意力与协同激励的单样本目标检测
计算机视觉与模式识别
2019-12-02 v1 机器学习
图像与视频处理
摘要
本文旨在解决单样本目标检测这一具有挑战性的问题。给定一张其类别标签未包含在训练数据中的查询图像块，该任务的目标是在目标图像中检测出同一类别的所有实例。为此，我们提出了一种新颖的协同注意力与协同激励（CoAE）框架，在三个关键技术方面做出贡献。首先，我们提出使用非局部操作来挖掘每个查询-目标对中所体现的协同注意力，并针对单样本情形生成区域提议。其次，我们构建了一种压缩-协同激励方案，能够自适应地强化相关特征通道，以帮助揭示相关提议并最终定位目标物体。第三，我们设计了一种基于间隔的排序损失，用于隐式学习一种度量来预测区域提议与底层查询的相似度，无论其类别标签在训练中是否见过。由此得到的模型是一个两阶段检测器，在VOC和MS-COCO的单样本设定下（检测来自已见和未见类别的物体）提供了强基线。代码见 https://github.com/timy90022/One-Shot-Object-Detection。
引用
@article{arxiv.1911.12529,
title = {One-Shot Object Detection with Co-Attention and Co-Excitation},
author = {Ting-I Hsieh and Yi-Chen Lo and Hwann-Tzong Chen and Tyng-Luh Liu},
journal= {arXiv preprint arXiv:1911.12529},
year = {2019}
}
备注
NeurIPS 2019