面向广义少样本开集目标检测
计算机视觉与模式识别
2024-02-23 v3
摘要
开集目标检测（OSOD）旨在动态世界中检测已知类别并拒绝未知物体，已受到显著关注。然而，先前方法仅考虑数据充足条件下的该问题，忽视了少样本场景。本文寻求广义少样本开集目标检测（G-FOOD）的解决方案，其目标是在保持少样本检测性能的同时，避免以高置信度分数将未知类检测为已知类。该任务的主要挑战是少量训练样本导致模型在已知类上过拟合，从而造成较差的开集性能。我们提出了一种名为 Few-shOt Open-set Detector（FOOD）的新 G-FOOD 算法来解决此问题，它包含一种新颖的类权重稀疏化分类器（CWSC）和一种新颖的未知解耦学习器（UDL）。为防止过拟合，CWSC 随机稀疏化所有类 logit 预测归一化权重的部分，并降低类与其邻类之间的共适应性。同时，UDL 解耦训练未知类，使模型形成紧凑的未知决策边界。因此，无需任何阈值、原型或生成即可通过置信概率识别未知物体。我们在少样本场景下将我们的方法与几种最先进的 OSOD 方法进行比较，观察到在 VOC-COCO 数据集设置下，我们的方法在所有 shot 上将未知类的 F-score 提升了 4.80%–9.08%\footnote[1]{源代码见 \url{https://github.com/binyisu/food}}。
引用
@article{arxiv.2210.15996,
title = {Towards Generalized Few-Shot Open-Set Object Detection},
author = {Binyi Su and Hua Zhang and Jingzhi Li and Zhong Zhou},
journal= {arXiv preprint arXiv:2210.15996},
year = {2024}
}