面向可判别且可迁移的单阶段少样本目标检测器
计算机视觉与模式识别
2022-10-13 v1 人工智能
摘要
近期目标检测模型需要大量标注数据来训练新的物体类别。少样本目标检测（FSOD）旨在仅给定少量样本的情况下学习新类别以解决此问题。尽管使用两阶段FSOD检测器已取得有竞争力结果，单阶段FSOD通常表现不如前者。我们观察到，两阶段与单阶段FSOD间的较大性能差距主要源于其较弱的判别力，这可由融合后较小的感受野及损失函数中较少的前景样本数解释。为应对这些局限，我们提出Few-shot RetinaNet（FSRN），其包含：多路支持训练策略以增密元检测器的前景样本数；早期多级特征融合提供覆盖整个锚框区域的宽感受野；以及针对查询与源图像的两种增强技术以提升可迁移性。大量实验表明，所提方法解决了上述局限并同时提升了判别力与可迁移性。FSRN几乎比两阶段FSOD快两倍，且精度具竞争力，并在MS-COCO与PASCAL VOC基准上优于最优的单阶段元检测器及部分两阶段FSOD。
引用
@article{arxiv.2210.05783,
title = {Towards Discriminative and Transferable One-Stage Few-Shot Object Detectors},
author = {Karim Guirguis and Mohamed Abdelsamad and George Eskandar and Ahmed Hendawy and Matthias Kayser and Bin Yang and Juergen Beyerer},
journal= {arXiv preprint arXiv:2210.05783},
year = {2022}
}