目标检测在过去的十年中取得了长足的进步。然而,利用少样本检测新类仍然具有挑战性,因为在低数据环境下的深度学习通常会导致特征空间的退化。现有的研究都采用了整体的微调范式来解决这个问题,即首先对模型进行大量样本的所有基类的预训练,然后用它来学习新的类特征空间。尽管如此,这种范式仍然是不完美的。在微调过程中,一个新类可能会隐式地利用多个基类的知识来构造其特征空间,导致特征空间分散,违反类间的可分离性。为了克服这些障碍,我们提出了一种两步微调的框架,即关联与识别的少样本目标检测(FADI),该框架采用两步整合的方法为每个新类建立判别特征空间。1) 在关联步骤中,与隐式利用多个基类不同,我们通过显式模拟一个特定的基类特征空间来构造一个紧凑的新类特征空间。具体来说,我们根据每个新类的语义相似度将它们与基类关联起来。之后,新类的特征空间可以很容易地模仿相关基类的经过良好训练的特征空间。2)在判别步骤中,为了保证新类和相关基类之间的可分离性,我们对基类和新类的分类分支进行解纠缠。为了进一步扩大各类别间的可分性,引入了一个集合化的保证金损失。在Pascal VOC和MS-COCO数据集上的大量实验表明,FADI实现了新的SOTA性能,在任何镜头/分割中显著提高了18.7的基线。值得注意的是,这种优势是在极少的场景中体现出来的。
https://www.zhuanzhi.ai/paper/06746cf005b934af3f2ed505ace8f91d