通过迁移分类权重扩展目标检测规模
计算机视觉与模式识别
2019-09-17 v1 机器学习
摘要
大规模目标检测数据集在类别数量和标注量上持续增长。然而，检测数据集中标注的目标级类别数量比图像级分类标签少一个数量级。最先进的目标检测模型以有监督方式训练，这限制了它们可检测的目标类别数。本文提出一种新颖的权重迁移网络（WTN），以有效且高效地将分类网络权重中的知识迁移到检测网络权重中，从而在无边界框监督的情况下检测新类别。我们首先引入输入和特征归一化方案，以抑制朴素WTN训练过程中的欠拟合。随后提出自编码器-WTN（AE-WTN），其利用重构损失在目标潜在空间中保留分类网络关于所有类别的信息，以确保对新类别的泛化能力。与朴素WTN相比，AE-WTN在两个分别含500个已见类别和57个新类别的Open Images评测集上取得6%的绝对性能提升，在一个含200个新类别的Visual Genome评测集上取得25%的绝对性能提升。代码已发布于 https://github.com/xternalz/AE-WTN。
引用
@article{arxiv.1909.06804,
title = {Scaling Object Detection by Transferring Classification Weights},
author = {Jason Kuen and Federico Perazzi and Zhe Lin and Jianming Zhang and Yap-Peng Tan},
journal= {arXiv preprint arXiv:1909.06804},
year = {2019}
}
备注
ICCV 2019