面向泛化与增量式的小样本目标检测
计算机视觉与模式识别
2021-09-24 v1
摘要
现实世界中的目标检测非常期望具备可扩展的学习能力，以逐步扩充其可检测类别。此外，仅从少量标注训练样本中学习进一步增强了目标检测器的灵活性，这在自动驾驶、机器人等诸多应用中备受期待。然而，这种基于小样本训练样本的序列学习场景通常会导致灾难性遗忘和严重的过拟合。本文为应对上述增量小样本学习问题，提出了一种新颖的增量式小样本目标检测（iFSOD）方法，以实现基于小样本的有效持续学习。具体而言，提出了一个双分支框架（DBF）来解耦基类与新颖（小样本）类的特征表示，从而同时促进旧知识保持与新类适配。此外，采用一种渐进式模型更新规则，在适配连续新类时有效保留对旧类的长期记忆。并且，提出一种任务间类分离损失，以扩展新到来类的决策区域，从而获得更好的特征判别性。我们在 Pascal VOC 和 MS-COCO 上进行了实验，结果表明我们的方法能有效解决增量小样本检测问题，并显著提升基类与新类的检测精度。
引用
@article{arxiv.2109.11336,
title = {Towards Generalized and Incremental Few-Shot Object Detection},
author = {Yiting Li and Haiyue Zhu and Jun Ma and Chek Sing Teo and Cheng Xiang and Prahlad Vadakkepat and Tong Heng Lee},
journal= {arXiv preprint arXiv:2109.11336},
year = {2021}
}
备注
12 pages, 4 figures