基于异质图卷积网络的查询自适应少样本目标检测
计算机视觉与模式识别
2022-05-10 v2 人工智能
多媒体
摘要
少样本目标检测（FSOD）旨在利用少量样本检测未见过的物体。该领域近期因元学习技术而取得进展，通过学习查询图像与少样本类别样例之间的匹配，使所学模型能泛化到少样本新类别。然而，目前大多数基于元学习的方法分别在查询图像区域（通常为候选框）与新类别之间进行成对匹配，因此未能考虑它们之间的多种关系。本文提出一种使用异质图卷积网络的新型 FSOD 模型。通过在所有候选框节点和类别节点间以三种不同类型的边进行高效消息传递，我们可以获得上下文感知的候选框特征以及查询自适应、多类增强的各类别原型表示，从而有助于促进成对匹配并提升最终 FSOD 精度。大量实验结果表明，我们所提出的模型（记为 QA-FewDet）在不同样本数及评估指标下的 PASCAL VOC 和 MSCOCO FSOD 基准上均优于当前最先进的方法。
引用
@article{arxiv.2112.09791,
title = {Query Adaptive Few-Shot Object Detection with Heterogeneous Graph Convolutional Networks},
author = {Guangxing Han and Yicheng He and Shiyuan Huang and Jiawei Ma and Shih-Fu Chang},
journal= {arXiv preprint arXiv:2112.09791},
year = {2022}
}
备注
ICCV 2021. Code is available at https://github.com/GuangxingHan/QA-FewDet