面向少样本目标检测的通用原型增强方法
计算机视觉与模式识别
2021-08-17 v2
摘要
少样本目标检测（FSOD）旨在利用少量标注样本提升新颖目标检测的性能。为缓解少样本的限制，增强所学新颖目标特征的泛化能力起着关键作用。因此，FSOD 的特征学习过程应更关注内在目标特性，这些特性在不同视觉变化下保持不变，从而有助于特征泛化。与以往元学习范式的尝试不同，本文探索如何利用跨不同目标类别通用的内在特性来增强目标特征。我们提出了一种新原型，即通用原型（universal prototype），它从所有目标类别中学习得到。除刻画不变特性的优势外，通用原型还缓解了目标类别不平衡的影响。在用通用原型增强目标特征后，我们施加一致性损失以最大化增强特征与原特征之间的一致性，这有利于学习不变的目标特性。由此，我们构建了具有通用原型的少样本目标检测新框架（{FSOD}^{up}），其具备面向新颖目标的特征泛化优势。在 PASCAL VOC 和 MS COCO 上的实验结果表明了 {FSOD}^{up} 的有效性。特别是在 VOC Split2 的 1-shot 情形下，{FSOD}^{up} 在 mAP 上比基线高出 6.8%。
引用
@article{arxiv.2103.01077,
title = {Universal-Prototype Enhancing for Few-Shot Object Detection},
author = {Aming Wu and Yahong Han and Linchao Zhu and Yi Yang},
journal= {arXiv preprint arXiv:2103.01077},
year = {2021}
}
备注
Accepted by ICCV 2021