Few-shot Object Detection with Refined Contrastive Learning

要約

実際にはサンプリングデータが不足しているため、少数ショット物体検出 (FSOD) は、より少ないデータで新しい検出コンセプトを迅速にトレーニングできるため、ますます注目を集めています。
ただし、混同しやすいクラスを区別するのが難しいため、依然として障害の特定が行われています。
また、平均精度の標準偏差が高いことから、検出パフォーマンスが一貫していないことがわかります。
この目的を達成するために、我々は洗練された対照学習 (FSRC) を使用した新しい FSOD 手法を提案します。
混同しやすいクラスを含む新規クラスから類似グループを見つけるために、事前決定コンポーネントが導入されます。
その後、クラス間の距離を広げるために、このクラス グループに対して洗練された対照学習 (RCL) が徹底的に実行されます。
その一方で、検出結果はより均一に分布するため、パフォーマンスがさらに向上します。
PASCAL VOC および COCO データセットに基づく実験結果は、私たちが提案した方法が現在の最先端の研究よりも優れていることを示しています。

要約(オリジナル)

Due to the scarcity of sampling data in reality, few-shot object detection (FSOD) has drawn more and more attention because of its ability to quickly train new detection concepts with less data. However, there are still failure identifications due to the difficulty in distinguishing confusable classes. We also notice that the high standard deviation of average precision reveals the inconsistent detection performance. To this end, we propose a novel FSOD method with Refined Contrastive Learning (FSRC). A pre-determination component is introduced to find out the Resemblance Group from novel classes which contains confusable classes. Afterwards, Refined Contrastive Learning (RCL) is pointedly performed on this group of classes in order to increase the inter-class distances among them. In the meantime, the detection results distribute more uniformly which further improve the performance. Experimental results based on PASCAL VOC and COCO datasets demonstrate our proposed method outperforms the current state-of-the-art research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google