Sylph：一种用于增量少样本目标检测的超网络框架
计算机视觉与模式识别
2022-04-06 v2
摘要
我们研究具有挑战性的增量少样本目标检测（iFSD）设定。近来，基于超网络的方法在连续且免微调的 iFSD 中有所探讨，但成效有限。我们仔细审视此类方法的重要设计选择，带来若干关键改进，并得到一个更精确且灵活的框架，称之为 Sylph。特别地，我们展示了通过将目标分类与定位解耦、利用在大规模数据集上预训练用于类无关定位的基检测器的有效性。与先前结果所示相反，我们表明借助精心设计的类条件超网络，免微调 iFSD 可极为有效，尤其在元训练时有大量具有丰富数据的基类别可用时，几乎逼近那些进行测试时训练的替代方法。考虑到其诸多实际优势，该结果更为显著：（1）无需额外训练即可顺序增量学习新类，（2）单次前向同时检测新颖与已见类，（3）不遗忘先前已见类。我们在 COCO 与 LVIS 上基准测试我们的模型，在 LVIS 长尾稀有类上报告高达 17% AP，表明基于超网络的 iFSD 的前景。
引用
@article{arxiv.2203.13903,
title = {Sylph: A Hypernetwork Framework for Incremental Few-shot Object Detection},
author = {Li Yin and Juan M Perez-Rua and Kevin J Liang},
journal= {arXiv preprint arXiv:2203.13903},
year = {2022}
}
备注
Accepted to CVPR 2022