5. Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Fan_Few-Shot_Object_Detection_With_Attention-RPN_and_Multi-Relation_Detector_CVPR_2020_paper.pdf 传统的目标检测算法需要大量数据标注才能训练模型,而数据标注不但耗费人力,可能还会因为标注质量而影响训练效果。 这篇论文提出了一种「小样本」目标检测网络,旨在通过少量标注数据使模型有效检测到从未见过的目标。 该方法的核心包括三点:Attention-RPN、Multi-Relation Detector 和 Contrastive Training strategy,利用小样本 support set 和 query set 的相似性来检测新的目标,同时抑制 background 中的错误检测。 该团队还贡献了一个新的数据集,该数据集包含 1000 个类别,且具备高质量的标注。 该研究提出一个新型注意力网络,能在 RPN 模块和检测器上学习 support set 和 query set 之间的匹配关系;下图中的 weight shared network 有多个分支,可以分为两类,一类用于 query set,另一类用于 support set(support set 的分支可以有多个,用来输入不同的 support 图像,图中只画了一个),处理 query set 的分支是 Faster RCNN 网络。
该研究提出的网络架构。 作者还提出用 Attention RPN 来过滤掉不属于 support set 的目标。
以下是不同模型在 ImageNet 数据集上的实验结果:
以下是基于一些数据集得到的观察结果:
6. D2Det: Towards High-Quality Object Detection and Instance Segmentation