Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning

要約

インクリメンタル フューズ ショット オブジェクト検出は、基本クラスの知識を忘れることなく、新しいクラスからのラベル付きトレーニング データをいくつか使用するだけで、新しいクラスを検出することを目的としています。
ほとんどの関連する以前の研究は、新しいデータが不足する可能性がある現実世界の設定へのスケーラビリティを大幅に制限する、新しいクラスごとの豊富なトレーニング サンプルの可用性に依存するインクリメンタル オブジェクト検出に関するものです。
この論文では、DETRオブジェクト検出器の微調整と自己教師あり学習を介してインクリメンタルな少数ショットオブジェクト検出を行うインクリメンタルDETRを提案します。
新しいクラス データがほとんどない深刻な過剰適合を軽減するために、まず、疑似ラベルとして選択的検索を使用して生成された追加のオブジェクト提案から自己監督を使用して、DETR のクラス固有のコンポーネントを微調整します。
さらに、基本クラスを忘れずに新しいクラスを検出する際にネットワークを促進するために、DETR のクラス固有のコンポーネントに関する知識の蒸留を使用して、段階的な数回の微調整戦略を導入します。
標準的なインクリメンタル オブジェクト検出とインクリメンタル フューズ ショット オブジェクト検出設定で実施された広範な実験は、私たちのアプローチが最先端の方法よりも大幅に優れていることを示しています。

要約(オリジナル)

Incremental few-shot object detection aims at detecting novel classes without forgetting knowledge of the base classes with only a few labeled training data from the novel classes. Most related prior works are on incremental object detection that rely on the availability of abundant training samples per novel class that substantially limits the scalability to real-world setting where novel data can be scarce. In this paper, we propose the Incremental-DETR that does incremental few-shot object detection via fine-tuning and self-supervised learning on the DETR object detector. To alleviate severe over-fitting with few novel class data, we first fine-tune the class-specific components of DETR with self-supervision from additional object proposals generated using Selective Search as pseudo labels. We further introduce an incremental few-shot fine-tuning strategy with knowledge distillation on the class-specific components of DETR to encourage the network in detecting novel classes without forgetting the base classes. Extensive experiments conducted on standard incremental object detection and incremental few-shot object detection settings show that our approach significantly outperforms state-of-the-art methods by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google