用于少样本目标检测的候选框分布校准
计算机视觉与模式识别
2022-12-16 v1
摘要
将在充分监督下学习的物体检测器适配到低数据条件下的新类别既有吸引力又具挑战性。在少样本目标检测（FSOD）中，广泛采用两阶段训练范式以缓解严重的样本不平衡，即先在基类上整体预训练，再在所有类别的平衡设置中部分微调。由于在基类训练阶段未标注实例被作为背景抑制，学到的 RPN 易于对新实例产生有偏的候选框，导致性能急剧下降。遗憾的是，极端的数据稀缺加剧了候选框分布偏差，阻碍 RoI 头向新类别演化。本文提出一种简单而有效的候选框分布校准（PDC）方法，通过回收基类训练赋予的定位能力并为语义微调丰富高质量正样本，巧妙提升 RoI 头的定位与分类能力。具体而言，我们基于基类候选框统计采样候选框以校准分布偏差，并对采样候选框施加额外的定位与分类损失，从而快速将基类检测器扩展至新类别。在常用 Pascal VOC 和 MS COCO 数据集上取得明确的最优性能，证明了我们的 PDC 对 FSOD 的有效性。代码见 github.com/Bohao-Lee/PDC。
引用
@article{arxiv.2212.07618,
title = {Proposal Distribution Calibration for Few-Shot Object Detection},
author = {Bohao Li and Chang Liu and Mengnan Shi and Xiaozhong Chen and Xiangyang Ji and Qixiang Ye},
journal= {arXiv preprint arXiv:2212.07618},
year = {2022}
}
备注
This paper is under review in IEEE TNNLS