【目标检测】Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector(FSOD) 论文理解

解决什么问题

少量support的情况，检测全部的属于target目标范畴的前景

---

本文创新点\贡献

1. 没有反复训练和fine-tune的情况检测新物体，探索物体对的联系。可以在线检测，在proposal前面使用attention模块很有用，联系模块能过滤
2. 大量的数据集，1000个类，每个类只有少量样本，实验表明用这个数据集能达到的效果更好

---

本文IDEA来源

问题在于新的类别不错的框的分数低

---

方法

方法概述

在RPN前加一个attention，在检测器之前加了3个attention，然后还是用到了负support训练

问题定义

给定带有target物体特写的support图片$s_c$，包含support中类别物体的query图片$q_c$，support中包含$K$类物体，每类$N$个样本，所以就是$K$-way $N$-shot检测

---

Deep Attentioned Few-Shot Detection

权重共享的框架由多个分支组成，分别为support和query服务，support根据输入有多个分支，图片只显示了一个。

query分支是一个FasterRCNN网络，包含RPN和检测器。

利用这个框架来学习support和query之间的匹配关系，更好的学习同类之间的一般知识。

以这个框架为基础，提出了attention RPN，还有多联系检测

---

Attention-Based Region Proposal Network

没有support，RPN就没有目标，后面的子分类就搞不清楚这么多的不相关目标。

使用support信息就能过滤掉大部分的背景框，还有那些不是匹配的类别

通过在RPN中用attention机制来引入support信息，来对其他类的proposal进行压制

通过逐深度的方法计算二者特征值的相似性，相似性用来生成proposal
support的特征是$X\in t^{S\times S\times C}$，queroy的特征是$Y\in t^{H\times W\times C}$，相似度定义如下：