论文笔记-Multi-Scale Positive Sample Refinement for Few-Shot Object Detection

Hello, 论文阅读计划的第18天啦～

今天接着前两天的目标识别方向的论文来介绍～

一、背景

本文主要想解决的问题是有些训练数据并不是非常方便获取，从而导致训练、识别效果不好。

对于物体检测，标记数据相当昂贵，并且一些物体类别的样本甚至难以收集，例如濒危动物或肿瘤病变。这引发了对处理有限训练样本的有效检测器的极大关注。

二、研究内容 & 贡献

本文提出了一种Multi-scale Positive Sample Refinement (MPSR)方法用于few-shot 目标检测，旨在解决其稀疏尺度分布的独特挑战。我们将著名的 Faster R-CNN作为基本的检测模型，并在主干网中采用FPN来提高其对尺度变化的容忍度。然后，我们利用辅助细化分支来生成多尺度正样本作为对象金字塔，并进一步细化预测。这个额外的分支与最初的Faster R-CNN共享相同的权重。在训练期间，该分支将提取的对象金字塔分类在区域建议网络和检测器头部中。为了保持尺度一致的预测而不引入更多不适当的否定，我们放弃锚匹配规则，并且自适应地将FPN阶段和空间位置分配给作为肯定的对象金字塔。值得注意的是，由于我们在训练中没有使用额外的权重，我们的方法以无推理成本的方式获得了显著的性能增益，并且可以方便地部署在不同的检测器上。

• 据我们所知，这是第一个讨论Few-shot object detection
  (FSOD)规模问题的作品。我们通过定量和定性分析揭示了FSOD尺度分布的稀疏性。
• 为了解决这个问题，我们提出了Multi-scale Positive Sample Refinement
  (MPSR)方法，以丰富尺度空间，而不会大大增加不当的负面影响。
• 进行了综合实验，MPSR的重大改进证明了其优势。

三、方法

FPN以不同的比例生成了几个不同的语义特征图，丰富了特征的比例空间。我们的实验证明，在FSOD的限制条件下，它仍然是实用的。因此，我们利用FPN作为我们的第二条基线。然而，FPN没有改变新类数据的分布，尺度分布的稀疏性在FSOD仍未解决。

FSOD不合适的消极样本的一个例子。负样本(NS)、正样本(PS)和地面真实(GT)边界框被注释。当涉及更多的尺度时，不适当的负样本显著增加(右上)，而在其他情况下，它们甚至可能是真的正样本(右下)

为了丰富目标尺度，我们考虑了一种多尺度训练策略。在少镜头目标检测中，图像金字塔随着数据的增加丰富了目标尺度，稀疏尺度分布可以从理论上得到解决。然而，随着不适当负样本数量的增加，这