渐进式目标迁移检测

目标检测近期的发展主要依赖于带有大规模基准数据的深度学习。然而，对于实际应用而言，收集此类全标注数据通常困难或昂贵，这限制了深度神经网络在实践中的能力。作为替代，人类能以极少的标注负担检测新目标，因为人类常利用先验知识以少量精细标注样本识别新目标，并随后通过利用野生图像中的目标泛化该能力。受此学习检测过程的启发，我们提出了一种新颖的渐进式目标迁移检测(POTD)框架。具体而言，我们在本文中做出三项主要贡献。第一，POTD 能将不同领域的多种目标监督有效纳入一个渐进式检测流程。经由此类类人学习，可用极少标注提升目标任务检测。第二，POTD 由两个精细的迁移阶段组成，即低样本迁移检测(LSTD)与弱监督迁移检测(WSTD)。在 LSTD 中，我们蒸馏源检测器的隐式目标知识，以少量标注增强目标检测器，其可有效预热后续的 WSTD。在 WSTD 中，我们设计了一种循环目标标注机制用于学习标注弱标签图像。更重要的是，我们利用来自 LSTD 的可靠目标监督，可进一步增强 WSTD 阶段目标检测器的鲁棒性。最后，我们在多个具不同设置的挑战性检测基准上进行了大量实验。结果表明，我们的 POTD 优于近期最先进的方法。