论文阅读《Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning》

关注

原创最新推荐文章于 2026-03-30 09:05:58 发布 2.3k 阅读 AI 写同款· GEO 优化 ›

Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning 论文笔记前言本文提出了一种实现小样本目标检测的通用方法，基于Faster R-CNN生成的RoI feature进行元学习。目前的元学习方法在小样本识别方面非常有用，这主要是因为只需识别单个目标。但如果一张图像中包含多个目标，并且还混合的有背景信息，那么这些元学习方法就不再有用了，因为它不能将这些复杂的信息分开。本文发现，可以通过Faster R-CNN产生的RoI feature对这些混合的目标进行预... 阅读详情

Meta Rcnn

本文的模型基于 Fsater/Mask Rcnn，提出了一种 PRN（Predictor-head Remodeling Network）模块。用元学习的方法对 RoI 上产生的特征图进行处理，再输入到后面的预测部分中完成预测。

RPN 模块接收包含 low-shot 物体的图像及其标注，是一个全卷积网络并与 Faster Rcnn 的特征提取模块共享权重，来产生不同类别的注意力向量（class attentive vectors）。得到的注意力向量与所有的 RoI 特征进行注意力计算，产生每个类的检测结果。

在小样本检测的任务上，传统的元学习模型往往只能识别只含单一物体的图片，不能分解复杂的信息。但是 Faster/Mask Rcnn 可以利用 RPN 检测图片中的不只一个物体，因为 RPN 产生的 RoI 只包含一个物体，就可以用来进行元学习。这也是本文的动机，将元学习与 Faster Rcnn 结合。

具体实现

网络结构

对于图像分类任务，一个元学习器 $h(x_{i},D_{meta};\theta )$ ，输入一张属于 $D_{train}$ 的图片 $x_{i}$ 和整个元数据集 $D_{meta}$ ，这个元学习器应通过学习可以将 $D_{train}$ 中的图片分类到 $D_{meta}$ 的类别 $C_{meta}$ 上。之后用 $D_{novel}$ 取代 $D_{meta}$ ，迁移其泛化能力到新数据集上，但目前为止的方法都效果不佳。对于目标检测任务，上述定义扩展为 $h(\hat{z}_{i,j},D_{meta};\theta )$ ，其中 $\hat{z}_{i,j}$ 是 RPN 输出的特征图。

将 RPN 输出的特征图 $\hat{z}_{i,j}$ 与 PRN 输出的注意力向量 $v^{meta}$ 相结合，来检测新颖类别。

其中 θ 和 φ 分别为 Faster Rcnn 和 PRN 的参数（大部分都是重合的，因为共享了参数）。

PRN 模块 $f(D_{meta};\phi )$ ，整个元数据集都是其输入，元数据集包含 $C_{meta}$ 个类，每类 K 个目标物体（数据是四维，RGB 和掩膜 mask）及标注。因此如果 $C_{meta}$ 为 m，PRN 模块输入 m*k 个四维数据。为了减少计算负担，将输入减为224*224。在使用该模块时，首先将数据输入到与 Faster Rcnn 共享参数的 backbone 里（即图中 shared 连接的两部分），增设一个通道域的软注意力层计算来产生 object attentive vector。该软注意力层先使用空间池化操作将物体特征图与 RoI 对齐，之后对特征图进行 element-wise sigmoid 操作来得到 object attentive vector。再将这 m*k 个 object attentive vector 中同一类的向量使用平均池化得到 class attentive vectors。

将产生的 class attentive vectors 与 RPN 输出的特征图进行通道域点乘（Channel-wise product，见附录。但是这里好像指的还是 element-wise sigmoid ？）再喂到后面 Faster Rcnn 的检测模块里面，完成类别预测和位置回归。

损失函数

使用交叉熵损失函数来惩罚 object attentive vectors 对类别预测的偏差 $L(\O)_{meta}$ ，见下表 Ablation(2)，分别为 without 和 with。

类别和位置损失和 Faster Rcnn 中保持一致，其中 λ 表示是否了激活分割分支：

训练策略

分为两阶段元训练和元测试，在元训练阶段只考虑基类的数据来构建 $D_{meta}$ 和 $D_{train}$ ，如果图像中出现新颖类别的物体则忽略，且当训练图片改变时， $C_{meta}$ 和 $D_{meta}$ 也要跟着改变。将基类数据同时输入 $D_{meta}$ 和 $D_{train}$ ，使 PRN 和 Faster Rcnn 同时对同一类别的数据计算损失函数，学习表征。训练策略如下图：

元测试阶段则基类和新颖类中的物体都要考虑，即 $C_{meta}=C_{base}\cup C_{novel}$ 。这是因为包含 unknown objects 的测试图像中的可能涵盖所有可能的类别。PRN 接收所有类别的 K-shot 目标，生成对应 class attentive vectors。用 object attentive vectors 来替代 class attentive vectors 来与 RPN 的特征图进行 Channel-wise product 计算，输入 Faster Rcnn 检测模块完成推理。

实验结果

对比了在 PASCAL VOC 和 MS COCO 这两个数据集上的四个 baseline：

FRCN+joint。使用基类和新颖类数据一起训练 Faster Rcnn。
FRCN+ft。第一阶段使用基类训练，第二阶段使用新颖类微调。且这两个阶段与本文模型的两个训练阶段迭代次数相同。
FRCN+ft-full。第一阶段使用基类训练，第二阶段使用新颖类微调。但第二阶段训练至完全收敛。
YOLO-Low-shot。采用 YOLOv2，也采用元学习的方法。只不过是在整张图像上，而是不像 Meta Rcnn 那样在 RoI 上使用元学习的策略。

一些消融实验：

PASCAL VOC

Table 3. 是 Table 1. 中 Setup 1 的各类别详细数据。FRCN+joint 在基类的检测中达到了 SOTA，但是在新颖类别上的精度太低。类别不均衡是导致这种现象的原因，并且新颖类别数据过少使得其在新颖类别上的泛化能力大打折扣。同时 Meta Rcnn 的 mAP 最高，表明 Meta R-CNN 没有牺牲整体性能来进行小样本学习。

MS COCO

COCO 数据集上的任务更具有挑战性，因为其包含更复杂的情况，如遮挡，模糊和小物体。

附录

Channel-wise product。网上查到的资料也不多，只能到时看代码再理解。

倒是查到了一些 Channel-wise Attention 的内容，论文《SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning》里的图：

图中 channel wise attention 就会使得提取到物体特征的 feature map 的权重加大，这样最后output结果就会准确不少。

前面 channel wise attention 只会关注到图像的一个小部分，而 spatial attention 的作用为关键部分配更大的权重，让模型的注意力更集中于这部分内容。spatial attention 是以特征图的每个像素点为单位，对特征图的每个像素点都配一个权重值，因此这个权重值应该是一个矩阵，大小是图片的大小；channel wise attention 则是以特征图为单位，对每个 channel 都配一个权重值，因此这个权重值应该是一个向量。

简单点来说，channel wise attention是在回答“是什么”，而spatial attention是在回答“在哪儿”。

而之所以使用 multi-layers 的原因是底层网络提取到的更多是底层的细节，而高层网络才能提取到全局的语义信息，那么只有低层 kernel 提取到更多物体边缘特征，高层才能更好地抽象出帅哥来。如果只在最后一个卷积层做 attention，其特征图的感受野已经很大了（几乎覆盖整张图像），那么特征图之间的差异就比较小，不可避免地限制了 attention 的效果，所以对 multi-layer 的特征图做 attention 是非常有必要的。参考：深入理解注意力机制 - 知乎