零样本目标检测：学习同时识别与定位新概念
计算机视觉与模式识别
2019-04-12 v1
摘要
当前的零样本学习（ZSL）方法仅限于识别测试图像中单一的主导未见物体类别。我们假设这种设定不适用于真实世界的应用场景，在这些场景中未见物体仅作为复杂场景的一部分出现，因此需要对未见类别同时进行“识别”和“定位”。为了解决这一局限性，我们引入了一种新的“零样本检测”（ZSD）问题设定，旨在同时识别和定位属于新类别的目标实例，且无需任何训练样本。我们还基于极具挑战性的 ILSVRC 数据集提出了一种新的 ZSD 实验协议，并考虑了实际因素，例如未见物体的稀缺性。据我们所知，这是首个用于 ZSD 的端到端深度网络，它联合建模了视觉与语义域信息之间的相互作用。为了克服自动导出的语义描述中的噪声，我们利用元类的概念设计了一种新颖的损失函数，实现了最大间隔类别分离与语义空间聚类之间的协同。此外，我们提出了一种从识别扩展到检测设定的基线方法。我们的大量实验表明，在这一重要且困难的 ZSD 问题上，性能较基线有显著提升。
引用
@article{arxiv.1803.06049,
title = {Zero-Shot Object Detection: Learning to Simultaneously Recognize and Localize Novel Concepts},
author = {Shafin Rahman and Salman Khan and Fatih Porikli},
journal= {arXiv preprint arXiv:1803.06049},
year = {2019}
}