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:

将传统的检测任务变为中心点和 b

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。
最低0.47元/天 解锁文章
1611

被折叠的 条评论
为什么被折叠?



