Beyond Max-Margin: Class Margin Equilibrium for Few-shot Object Detection论文阅读

动机

新的类别分类和表示之间的隐含矛盾被忽略了，这个矛盾是——为了将类彼此分开，两个基类中的任何一个基类都需要彼此相距较远(max-margin))，这聚合了新类的类内距离。为了准确地表示新类，基类的分布应该接近新类的分布(min-margin)，这提高了分类的难度。如下图

即如何在分类和表示中取得平衡，是一个问题。 因此作者提出CME，优化特征空间划分和novel类表示。

贡献

模型结构

对于训练和微调阶段所用的数据集dataset D都被分为支持集和询问集，具体如下图：

该个网络结构由两个分支组成，即支持集分支和询问集分支。

支持集分支：先将支持集图片和它对应的边界框输入到卷积神经网络中去，来提取卷积特征映射。然后利用全局最大池化GMP，将这个映射压缩到原型向量