在多领域基准上重新思考小样本目标检测
计算机视觉与模式识别
2022-07-25 v1
摘要
大多数现有的小样本目标检测（FSOD）工作都聚焦于预训练数据集与少样本学习数据集来自相似领域的设定。然而，少样本算法在多个领域中均十分重要；因此评估需反映其广泛应用。我们提出了一个由来自广泛领域的 10 个数据集组成的多领域小样本目标检测（MoFSOD）基准，用于评估 FSOD 算法。我们全面分析了冻结层、不同架构以及不同预训练数据集对 FSOD 性能的影响。我们的实证结果显示了以往工作未探索的几个关键因素：1）与先前认知相反，在多领域基准上，微调（FT）是 FSOD 的一个强基线，性能与最先进（SOTA）算法相当或更优；2）以 FT 为基线使我们能探索多种架构，并发现即便预训练性能相近，它们对下游少样本任务也有显著影响；3）通过解耦预训练与少样本学习，MoFSOD 使我们能探索不同预训练数据集的影响，而正确选择可显著提升下游任务性能。基于这些发现，我们列出了改进 FSOD 性能的可能研究途径，并提出了对现有算法的两个简单修改，从而在 MoFSOD 基准上取得 SOTA 性能。代码见 https://github.com/amazon-research/few-shot-object-detection-benchmark。
引用
@article{arxiv.2207.11169,
title = {Rethinking Few-Shot Object Detection on a Multi-Domain Benchmark},
author = {Kibok Lee and Hao Yang and Satyaki Chakraborty and Zhaowei Cai and Gurumurthy Swaminathan and Avinash Ravichandran and Onkar Dabeer},
journal= {arXiv preprint arXiv:2207.11169},
year = {2022}
}
备注
Accepted at ECCV 2022