面向少样本目标检测的顶部相关元学习方法
计算机视觉与模式识别
2021-06-16 v6 机器学习
摘要
许多元学习方法被提出用于少样本检测。然而，以往大多数方法存在两个主要问题：检测 AP 低，以及因数据集不平衡与不足导致的强偏差。以往工作主要通过额外数据集、多关系注意力机制与子模块来缓解这些问题，但这需要更高代价。在本工作中，针对元学习，我们发现主要挑战集中于类别间相关或无关的语义特征。因此，基于语义特征，我们提出用于分类任务的 Top-C 分类损失（即 TCL-C），以及一种基于类别的分组机制用于处理由元模型获得的基于类别的元特征。TCL-C 利用真标签预测与最可能的 C-1 个错误分类预测来提升少样本类别上的检测性能。根据物体常出现之相似外观（即视觉外观、形状与肢体等）与环境，该基于类别的分组机制将类别划分为互不相交的组，使组内类别间语义特征更紧凑、组间差异更显著，从而缓解强偏差问题并进一步提升检测 AP。整体训练由基模型与微调阶段组成。依据分组机制，我们对元模型获得的元特征向量分组，使组间分布差异明显、组内差异较小。在 Pascal VOC 数据集上的大量实验表明，我们将 TCL-C 与基于类别的分组结合的方法显著优于以往最先进的少样本检测方法。与以往竞争性基线相比，我们的少样本检测 AP 提升了近 4%。
引用
@article{arxiv.2007.06837,
title = {Top-Related Meta-Learning Method for Few-Shot Object Detection},
author = {Qian Li and Nan Guo and Xiaochun Ye and Duo Wang and Dongrui Fan and Zhimin Tang},
journal= {arXiv preprint arXiv:2007.06837},
year = {2021}
}
备注
meta-learing,few-shot learning, object detection, category-based grouping mechanism