论文标题：Class-Incremental Few-Shot Object Detection

论文链接：https://arxiv.org/abs/2105.07637

作者单位：浙江大学 & 之江实验室

本文提出了一种针对类别增量式学习的Few-shot目标检测(iFSD)新网络：LEAST，表现SOTA！性能优于TFA、ONCE等网络。

传统的检测网络通常需要大量带标签的训练样本，而人类仅通过几个示例就可以逐步学习新概念。本文着重于一个更具挑战性但更现实的class-incremental few-shot object detection（iFSD）问题。它的目的是仅从几个带注释的样本中逐步转移新颖对象的模型，而不会灾难性地忘记先前学习的样本。为了解决这个问题，我们提出了一种新颖的最小化方法，该方法可以以更少的遗忘，更少的训练资源以及更强的迁移能力进行迁移。具体来说，我们首先提出迁移策略，以减少不必要的权重调整并提高iFSD的迁移能力。在此基础上，我们然后使用较少资源消耗的方法来整合知识蒸馏技术，以减轻遗忘，并提出一种新颖的基于聚类的样本选择过程，以保留先前学习的更多区分性特征。作为一种通用且有效的方法，LEAST可以大大提高各种基准上的iFSD性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除