面向少样本目标检测的语义关系推理及其对样本数变化的稳定性
计算机视觉与模式识别
2021-03-23 v2
摘要
由于真实世界数据固有的长尾分布，少样本目标检测是一个迫切且长期存在的问题。其性能在很大程度上受到新类别数据稀缺的影响。但无论数据是否可得，新类别与基类别之间的语义关系是恒定的。在本工作中，我们研究利用这种语义关系结合视觉信息，并将显式的关系推理引入新目标检测的学习中。具体而言，我们通过从大规模文本语料库中学习得到的语义嵌入来表示每个类别概念。检测器被训练为将物体的图像表示投影到该嵌入空间中。我们还指出了直接使用带有启发式知识图的原始嵌入的问题，并提出用动态关系图来增强嵌入。因此，我们的少样本检测器（称为SRR-FSD）对新物体样本数（shots）的变化具有鲁棒性和稳定性。实验表明，SRR-FSD在较高样本数下能取得有竞争力的结果，更重要的是，在较低显式与隐式样本数下均取得显著更优的性能。从预训练分类数据集中移除隐式样本数的基准协议可作为未来研究更现实的设定。
引用
@article{arxiv.2103.01903,
title = {Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection},
author = {Chenchen Zhu and Fangyi Chen and Uzair Ahmed and Zhiqiang Shen and Marios Savvides},
journal= {arXiv preprint arXiv:2103.01903},
year = {2021}
}
备注
CVPR 2021