可扩展-RCNN:朝着高效率的增量少数射击物体检测方向
Yiting Li1, Sichao Tian2, Haiyue Zhu3
1Department of Electrical and Computer Engineering, National University of Singapore, Singapore, Singapore.
Frontiers in artificial intelligence
|May 8, 2024
概括
本研究介绍了可扩展RCNN用于增量几次射击物体检测 (iFSOD). 它可以在不需要基础网络重新训练的情况下增加在线课程,超过现有方法的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 增量短拍对象检测 (iFSOD) 在使用有限数据顺序学习新对象类别时提出了挑战.
- 现有的方法在自适应检测系统中扎着过度装配和类别偏差.
研究的目的:
- 提出一个高效和简单的框架,可扩展RCNN,以解决iFSOD问题.
- 允许在线连续添加新类,而无需重新训练基础网络.
主要方法:
- 调整了Faster R-CNN与两个新的组件:一个IOU-aware重量印记策略和一个小组软最大层 (GSL) 偏差校正.
- 负债表意识的印记通过直接确定新类和背景的分类器重量来避免过度拟合.
- 该GSL模块校准偏见的预测,以提高分类性能,防止灾难性遗忘.
主要成果:
- 可扩展-RCNN显示了MS-COCO数据集的显著改进.
- 拟议的方法在几次射击课程中表现比最先进的方法ONCE优于5.9分.
- 实现了有效的在线自适应检测,基本网络的零重新训练.
结论:
- 可扩展RCNN为iFSOD问题提供了有效的解决方案,使新对象类别的高效在线学习成为可能.
- 负债表意识到重量印记和GSL的组合成功地减轻了过度匹配和类别偏差.
- 该框架为需要顺序学习能力的自适应检测系统提供了强大的方法.
