Frustrierend einfache Few-Shot-Objekterkennung

Die Erkennung seltener Objekte anhand weniger Beispiele ist ein aufkommendes Problem. Frühere Arbeiten zeigen, dass Meta-Lernen eine vielversprechende Herangehensweise darstellt. Allerdings haben Feinabstimmungstechniken (fine-tuning techniques) bisher wenig Beachtung gefunden. Wir stellen fest, dass die Feinabstimmung nur der letzten Schicht bestehender Detektoren auf seltene Klassen für die Few-Shot-Objekterkennungsaufgabe entscheidend ist. Diese einfache Methode übertrifft die Meta-Lernmethoden um etwa 2 bis 20 Punkte in aktuellen Benchmarks und verdoppelt manchmal sogar die Genauigkeit früherer Methoden. Dennoch führt die hohe Varianz in den wenigen Beispielen oft zu der Unzuverlässigkeit bestehender Benchmarks. Wir revidieren die Evaluationsprotokolle, indem wir mehrere Gruppen von Trainingsbeispielen auswählen, um stabile Vergleiche zu erhalten, und bauen neue Benchmarks auf Basis von drei Datensätzen: PASCAL VOC, COCO und LVIS. Nochmals zeigt sich, dass unser Ansatz zur Feinabstimmung einen neuen Stand der Technik (state of the art) in den revidierten Benchmarks etabliert. Der Code sowie die vortrainierten Modelle sind unter https://github.com/ucbdrive/few-shot-object-detection verfügbar.