CVPR2020 论文解读：少点目标检测

CVPR2020 论文解读：具有注意RPN和多关系检测器的少点目标检测

Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

具有注意RPN和多关系检测器的少点目标检测

目标检测的惯用方法需要大量的训练数据，准备这样高质量的训练数据很费精力的。本文中，提出一种新的少点目标检测网络，只用几个带注释的示例的看不见的类来检测目标。集中到新方法的核心是，注意力RPN，多相关检测器，以及对比训练策略，探索少点支持集和查询集之间的相似性，检测新目标同时抑制背景中的错误检测。

训练网络，提供新数据集，它包含1000类不同的目标，附加高质量的注释信息。众所周知，这是为少点目标检测最好的特定数据集之一。当少点网络训练后，不需要进一步训练和优化，就可以检测看不接见的类。这种方法是通用的，具有广泛的应用潜力。提供少点数据集中新的不同数据集上艺术状态性能。

解决什么问题

少量support的情况，检测全部的属于target目标范畴的前景

本文创新点\贡献

1.       没有反复训练和fine-tune的情况检测新物体，探索物体对的联系。可以在线检测，在proposal前面使用attention模块很有用，联系模块能过滤

2.       大量的数据集，1000个类，每个类只有少量样本，实验表明用这个数据集能达到的效果更好

本文IDEA来源

问题在于新的类别不错的框的分数低

方法

方法概述

在RPN前加一个attention，在检测器之前加了3个attention，然后还是用到了负support训练。

问题定义

给定带有target物体特写的support图片​，包含support中类别物体的query图片​，support中包含K类物体，每类N个样本，所以就是

检测。

Deep Attentioned Few-Shot Detection

权重共享的框架由多个分支组成，分别为support和query服务，support根据输入有多个分支，图片只显示了一个。

query分支是一个FasterRCNN网络，包含RPN和检测器。

利用这个框架来学习support和query之间的匹配关系，更好的学习同类之间的一般知识。

以这个框架为基础，提出了attention RPN，还有多联系检测。

Attention-Based Region Proposal Network

没有support，RPN就没有目标，后面的子分类就搞不清楚这么多的不相关目标。

使用support信息就能过滤掉大部分的背景框，还有那些不是匹配的类别

通过在RPN中用attention机制来引入support信息，来对其他类的proposal进行压制

通过逐深度的方法计算二者特征值的相似性，相似性用来生成proposal

support的特征是

，query的特征是

，相似度定义如下：

其中G是attention特征图，X作为一个卷积核在query的特征图上滑动，以一种逐深度(取平均)的方式。

使用的是RPN的底部特征，ResNet50的res4-6，发现设置S=1表现很好，这说明全局特征能提供一个好的先验

G用3×3的卷积处理，然后接分类和回归层。

Multi-Relation Detector

还是测量相似性的，在query和support的bbox之间，包含三个attention：

global-relation head：学习全局匹配的深度嵌入

local-correlation head：学习support和query的proposal之间的逐像素和逐深度对应

patch-relation head：学习匹配的深度非线性度量

三个head的分析：

第三个patch 并不理想，这个头的模型更复杂，但作者也觉得复杂的联系是难学习的

但是三个一起用效果最好，说明之间还是能相互补充的

Two-way Contrastive Training Strategy

不仅匹配而且区分

训练组

，其中

，是跟query不同的类，训练的时候只有c被标记为前景

背景的proposal很多，所以平衡在query和support中三个不同匹配的比例，保持

前景proposal 和 负[ 图中(2) ]：

背景proposal 和 正

[ 图中(1) ]：

proposal(前或后) 和 负

= 1：2：1

根据匹配的分数选全部的

，选前

，前

根据第一队确定总个数，后面按分数来，什么样的分数？

错误的根据最不匹配分数？

为什么没有proposal(前或后)和positive support pairs

的？

因为这里是算不同吗？

对于每个采样的proposa计算推荐：

​和Faster RCNN一样，

​用的二值化交叉熵

选择训练策略

RPN的选择

和0.5IoU的取前100的RPN对比。表里也显示RPN attention确实有效