论文阅读《Incremental Few-Shot Object Detection》

最新推荐文章于 2024-02-22 18:10:41 发布

原创

最新推荐文章于 2024-02-22 18:10:41 发布 · 1.1k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #深度学习 #神经网络

本文介绍了一种增量学习的框架——ONCE，用于小样本目标检测任务。该方法基于CentreNet，通过解耦class-generic和class-specific模块，实现对新类别的增量学习，避免了重复计算和数据隐私问题。ONCE包含特征提取器、对象定位器和类码生成器，其中类码生成器通过元学习训练，能用少量Novel数据更新模型。实验表明，ONCE在非增量和增量学习场景下都表现出有效性和可行性。

Background ＆ Motivation

目标检测领域一阶段和二阶段的网络都不是增量学习的模式，本文的方法是基于一阶段的 CentreNet。小样本分类任务的方法各式各样，其思想应该是小样本检测任务的创新源泉。文章提出了一个增量学习的范式（Incremental Few-Shot Detection，iFSD）：

使用 Base 数据完成对模型的预训练。
这个模型部署到设备上后，设备应该能随时接收数据量很少的 Novel 数据完成增量训练，并不影响其在 Base 数据上的精度。
这个增量训练不应需要太多的计算、存储以及内存开销，因为这个设备往往很 source-limited。

之前没有增量学习的模式的小样本检测方法，之前的做法会带来巨大且重复的计算开销，同时牵涉到了数据隐私的问题。

选择 CentreNet 很重要的一个原因是其遵循了 class-specific 的范式：

For few-shot object detection in particular, a key merit of CentreNet is that each individual class maintains its own prediction heatmap and makes independent detection by activation thresholding.

因此很容易将 Novel 数据的特征通过增量学习添加到模型中，Novel 数据中的类别应该是 order-free 并且 combination-insensitive。CentreNet 的结构图如下所示：