Few-Shot Object Detection: A Comprehensive Survey

要約

人間は、いくつかの例からでも、新しいオブジェクトを認識することを学習できます。
対照的に、深層学習ベースのオブジェクト検出器のトレーニングには、大量の注釈付きデータが必要です。
これらの膨大な量のデータを取得して注釈を付ける必要性を回避するために、少数ショット オブジェクト検出は、ターゲット ドメイン内の新しいカテゴリの少数のオブジェクト インスタンスから学習することを目的としています。
この調査では、少数ショットのオブジェクト検出における最新技術の概要を提供します。
トレーニング スキームとアーキテクチャ レイアウトに従って、アプローチを分類します。
アプローチの種類ごとに、新しいカテゴリでのパフォーマンスを向上させるための一般的な実現方法と概念について説明します。
必要に応じて、最良のアイデアを強調するために、これらの概念に関する短いヒントを提供します。
最終的には、一般的に使用されるデータセットとその評価プロトコルを紹介し、報告されたベンチマーク結果を分析します。
その結果、評価における一般的な課題を強調し、少数ショットの物体検出というこの新興分野における最も有望な現在の傾向を特定します。

要約(オリジナル)

Humans are able to learn to recognize new objects even from a few examples. In contrast, training deep-learning-based object detectors requires huge amounts of annotated data. To avoid the need to acquire and annotate these huge amounts of data, few-shot object detection aims to learn from few object instances of new categories in the target domain. In this survey, we provide an overview of the state of the art in few-shot object detection. We categorize approaches according to their training scheme and architectural layout. For each type of approaches, we describe the general realization as well as concepts to improve the performance on novel categories. Whenever appropriate, we give short takeaways regarding these concepts in order to highlight the best ideas. Eventually, we introduce commonly used datasets and their evaluation protocols and analyze reported benchmark results. As a result, we emphasize common challenges in evaluation and identify the most promising current trends in this emerging field of few-shot object detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google