摘要
本文聚焦于少样本目标检测（Few-Shot Object Detection, FSOD）与少样本实例分割（Few-Shot Instance Segmentation, FSIS）任务，这类任务要求模型能够仅凭借少量标注样本，快速适应新类别。现有方法在少样本场景下普遍面临分类偏差问题，其根源在于“标签缺失”现象——该现象在少样本设定中天然存在，本文首次对其进行形式化定义。我们的分析表明，大多数FSOD或FSIS模型所采用的标准分类头需要被解耦，以缓解此类偏差。为此，我们提出一种简单而高效的方法：将标准分类器解耦为两个独立的分支。这两个分支可分别有效处理清晰的正样本与由标签缺失导致的噪声负样本。通过这种方式，模型能够在学习新类别时显著降低噪声负样本带来的负面影响。在不引入额外计算开销或参数量的前提下，我们的方法在PASCAL VOC与MS-COCO基准上，针对FSOD与FSIS任务均显著优于基线模型及当前最先进方法。相关代码已开源，地址为：https://github.com/gaobb/DCFS。