论文提出了新的少样本目标检测算法,创新点包括Attention-RPN、多关系检测器以及对比训练策略,另外还构建了包含1000类的少样本检测数据集FSOD,在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中,不需要fine-tune
来源:晓飞的算法工程笔记 公众号
论文: Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
![2cf1e68716a50bdcb2e07ab03c5924e5.png](https://i-blog.csdnimg.cn/blog_migrate/3c3b499c043ee0c8b1e48a6aed4492cc.jpeg)
- 论文地址:https://arxiv.org/abs/1908.01998
Introduction
![500c7be1267c0d0620cdfe7079b67d2d.png](https://i-blog.csdnimg.cn/blog_migrate/9ad8aa3e038eede2baf2a26169e67aeb.jpeg)
不同于正常的目标检测任务,few-show目标检测任务需要通过几张新目标类别的图片在测试集中找出所有对应的前景。为了处理好这个任务,论文主要有两个贡献:
- 提出一个通用的few-show目标检测算法,通过精心设计的对比训练策略以及RPN和检测器中加入的attention模块,该网络能够榨干目标间的匹配关系,不需要fine-tune就可以进行靠谱的新目标检测。实验表明,early stage的attention模块能够显著提升proposal的质量,而后面的多关系检测(multi-relation detector)模块则能有效抑制和过滤错误的背景
- 提供了一个1000类的少样本训练集FSOD,论文提出的模型的性能提升有一定程度得益于此训练集,是一个前所未有的训练集
FSOD: A Highly-Diverse Few-Shot Object Detection Dataset
尽管目前目标检测的训练集已经非常庞大,但是对于少样本目标检测算法的使用而言,这些训练集的类别都太少了。因此,论文构造了一个少样本目标检测专用的训练集