科研之友
微信
新浪微博
Facebook
分享链接
摘要
当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。本文采用将新类和与其相似的基类关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块以及增加边界损失函数提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，该方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。
- 单位
