摘要
我们研究了少样本开放集目标检测（Few-Shot Open-Set Object Detection, FOOD）问题，其目标是在仅有少量标注样本的情况下快速适应新任务，并有效识别并拒绝未知类别样本。现有方法通常采用权重稀疏化策略实现未知样本的拒识，但由于缺乏针对数据稀缺场景的专门设计，性能仍不理想。本文从三个层面出发，系统性地解决这一具有挑战性的FOOD问题。首先，与以往基于伪未知样本挖掘的方法不同，我们引入由概率分布的狄利克雷（Dirichlet）分布所估计的证据不确定性（evidential uncertainty），从前景与背景候选区域空间中挖掘伪未知样本，提升了未知样本识别的可靠性。其次，基于伪未知样本数量与交并比（Intersection over Union, IoU）之间的统计关系，我们提出一种IoU感知的未知样本判别目标函数。该方法通过考虑目标定位质量，有效 sharpen 了未知类别的决策边界，增强了模型对定位不确定性的敏感性。第三，为缓解过拟合问题并提升模型在未知拒识任务中的泛化能力，我们提出基于希尔伯特-施密特独立性准则（Hilbert-Schmidt Independence Criterion, HSIC）的移动权重平均策略，用于更新分类头与回归头的权重。该方法通过衡量当前权重与长期记忆库中存储的历史权重之间的独立性程度，实现更稳健的参数更新。我们在VOC-COCO数据集设置下，将所提方法与多种前沿方法进行对比，结果表明，无论在何种样本数量（shots）条件下，本方法在未知类别的平均召回率上均提升了12.87%。相关代码已开源，地址为：https://github.com/binyisu/food。