Beyond Max-Margin: Class Margin Equilibrium for Few-shot Object Detection (2021 CVPR)

1. 论文出处

2021 CVPR
厦门大学纪荣嵘老师团队，鹏城实验室

2. 问题

本文发现了一个问题，novel class分类和表示之间的隐含矛盾被忽视了。即：

1. 为了实现精确的novel class分类，两个base class分布需要互相远离（max-margin）。
2. 为了准确表示novel classes，base classes的分布需要彼此靠近，来减小novel classes类内距离（min-margin）。
   

3. 解决方案

提出了类间距均衡方法CME，来优化特征空间划分和novel class重构。CME首先通过使用全连接层解耦定位特征，将小样本检测问题转变成小样本分类问题。CME通过在表征学习的时候引入简单有效的类间隔损失，为novel class预留足够的margin space. 最后，CME通过以一种对抗min-max的方式扰动novel类实例，追求间隔平衡。

4. 核心贡献

提出了CME模型，其核心包括3个模块：

• Max-Margin
• Feature Filtering
• Feature Disturbance

5. 整体结构

6. 实验

作者进行了实验，说明作者提出的方法CME能够对一些novel classes进行区分，减少类间重叠。