TIDE：测试时少样本目标检测
计算机视觉与模式识别
2023-12-01 v1
摘要
少样本目标检测（FSOD）旨在从目标域中有限的新类别目标实例中提取语义知识。近期 FSOD 的进展聚焦于通过元学习或数据增强基于少量目标对基础模型进行微调。尽管这些方法取得了成功，但其中大多数依赖于参数重调以泛化到新目标，这在工业 5.0 中面临显著挑战，例如（i）需要一定的微调时间，以及（ii）由于权限保护导致所构建模型的参数不可用，从而使微调失败。此类限制自然制约了其在具有实时配置需求或黑盒设置场景中的应用。为应对上述挑战，我们形式化了一项新颖的 FSOD 任务，称为测试时少样本检测（Test TIme Few Shot DEtection，TIDE），其中模型在配置过程中不进行调参。为此，我们引入了一种非对称架构，用于学习支持实例引导的动态类别分类器。此外，提供了交叉注意力模块和多尺度缩放器以增强模型性能。在多个少样本目标检测平台上的实验结果表明，所提出的 TIDE 显著优于现有的同期方法。实现代码可在 https://github.com/deku-0621/TIDE 获取。
引用
@article{arxiv.2311.18358,
title = {TIDE: Test Time Few Shot Object Detection},
author = {Weikai Li and Hongfeng Wei and Yanlai Wu and Jie Yang and Yudi Ruan and Yuan Li and Ying Tang},
journal= {arXiv preprint arXiv:2311.18358},
year = {2023}
}