A Survey of Deep Learning for Low-Shot Object Detection

要約

物体検出は、ディープ ニューラル ネットワークと大量の注釈付きデータによって大きな進歩を遂げました。
ただし、現在の検出方法は、深刻な過学習問題により注釈付きデータが不足しているシナリオに直接適用することはできません。
少数ショット学習とゼロショット学習は画像分類の分野で広く研究されていますが、物体検出にはさらに困難な位置特定タスクがあるため、データが不足しているシナリオでの物体検出のための新しい方法を設計することが不可欠です。
ローショット物体検出 (LSOD) は、少数のサンプル、またはアノテーションのないサンプルから物体を検出する新しい研究トピックであり、ワンショット物体検出 (OSOD)、少数ショット物体検出 (FSOD)、およびゼロショット物体検出で構成されます。
(ZSD)。
この調査は、LSOD 手法の包括的なレビューを提供します。
まず、LSOD 手法の徹底的な分類を提案し、LSOD のいくつかの拡張トピック (半教師あり LSOD、弱教師あり LSOD、および増分 LSOD) を含めて体系的に分析します。
次に、現在の LSOD 手法の長所と短所を、そのパフォーマンスの比較とともに示します。
最後に、将来の取り組みへの指針を提供するために、LSOD の課題と有望な方向性について説明します。

要約(オリジナル)

Object detection has achieved a huge breakthrough with deep neural networks and massive annotated data. However, current detection methods cannot be directly transferred to the scenario where the annotated data is scarce due to the severe overfitting problem. Although few-shot learning and zero-shot learning have been extensively explored in the field of image classification, it is indispensable to design new methods for object detection in the data-scarce scenario since object detection has an additional challenging localization task. Low-Shot Object Detection (LSOD) is an emerging research topic of detecting objects from a few or even no annotated samples, consisting of One-Shot Object Detection (OSOD), Few-Shot Object Detection (FSOD) and Zero-Shot Object Detection (ZSD). This survey provides a comprehensive review of LSOD methods. First, we propose a thorough taxonomy of LSOD methods and analyze them systematically, comprising some extensional topics of LSOD (semi-supervised LSOD, weakly-supervised LSOD, and incremental LSOD). Then, we indicate the pros and cons of current LSOD methods with a comparison of their performance. Finally, we discuss the challenges and promising directions of LSOD to provide guidance for future works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google