摘要
尽管近年来目标检测领域取得了显著进展，但在小样本数据条件下训练高效检测器仍然是一个尚未解决的挑战。目标检测任务的标注数据标注成本极高，因此亟需发展能够从少量标注数据中实现良好泛化的技术。本文研究了少样本目标检测（few-shot object detection）问题，即检测器仅能访问有限的标注数据。基于近期发展迅速的元学习（meta-learning）原理，我们提出了一种名为“Meta-RCNN”的新型元学习框架，用于目标检测任务，该框架通过元学习机制学习在少样本场景下进行检测的能力。具体而言，Meta-RCNN在（元）训练数据上采用一种基于任务的周期性学习范式（episodic learning paradigm）来学习目标检测器。这种学习机制有助于模型习得先验知识，从而在面对全新任务时实现有效的少样本检测。Meta-RCNN以Faster R-CNN模型为基础，对区域建议网络（Region Proposal Network, RPN）和目标分类分支均实施元学习。其中，经过元训练的RPN能够生成具有类别特异性的候选区域，而目标分类器则具备少样本分类能力。Meta-RCNN所采用的新颖损失函数与学习策略支持端到端的联合训练。我们在Pascal VOC数据集上验证了Meta-RCNN在少样本目标检测任务中的有效性，并取得了令人瞩目的实验结果。