Détection d'objets à faible exemple en s'appuyant sur un prototype par échantillon

La détection d'objets en peu d'exemples vise à détecter des instances de catégories spécifiques dans une image de requête à l’aide d’un nombre très limité d’exemples de support. Bien que cette approche nécessite bien moins d’efforts que la collecte d’un grand nombre d’images annotées pour la détection supervisée d’objets, elle se traduit par des performances nettement inférieures à celles des méthodes classiques de détection d’objets. Dans cet article, nous proposons une approche fondée sur l’apprentissage méta, qui prend en compte les caractéristiques uniques de chaque exemple de support. Contrairement à la méthode classique qui consiste à moyenner les informations des exemples de support pour générer un seul prototype par catégorie, notre méthode exploite de manière plus efficace chaque exemple de support en le traitant comme un prototype indépendant. Plus précisément, nous introduisons deux types de mécanismes d’attention pour agréger les cartes de caractéristiques de requête et de support. Le premier mécanisme permet de raffiner les informations des exemples en peu d’exemples en extrayant les éléments communs entre les exemples de support via une attention. Le second utilise chaque exemple de support comme un code de classe, en exploitant les informations par comparaison des similarités entre les caractéristiques de support et celles de la requête. La méthode proposée est complémentaire aux approches antérieures, ce qui la rend facile à intégrer de manière plug-and-play pour une amélioration ultérieure. Nous avons évalué notre méthode sur les benchmarks PASCAL VOC et COCO, et les résultats confirment l’efficacité de notre approche. En particulier, les avantages de notre méthode sont maximisés lorsque les exemples de support présentent une plus grande diversité.