Découplage du classificateur pour améliorer la détection d'objets et la segmentation d'instances en peu d'exemples

Ce papier se concentre sur la détection d'objets en peu d'exemples (FSOD) et la segmentation d'instances en peu d'exemples (FSIS), qui exigent qu’un modèle s’adapte rapidement à de nouvelles classes à partir d’un petit nombre d’instances étiquetées. Les méthodes existantes souffrent sévèrement d’un biais de classification en raison du problème d’absence d’étiquettes, un phénomène inhérent au cadre peu d’exemples, que nous proposons ici pour la première fois de manière formelle. Notre analyse indique que la tête de classification standard utilisée par la plupart des modèles FSOD ou FSIS doit être décomposée afin de réduire ce biais. Par conséquent, nous proposons une méthode simple mais efficace qui décompose le classificateur standard en deux têtes distinctes. Ces deux têtes peuvent alors traiter indépendamment les échantillons positifs clairs et les échantillons négatifs bruités, causés par l’absence d’étiquettes. Ainsi, le modèle peut apprendre efficacement les nouvelles classes tout en atténuant l’impact des échantillons négatifs bruités. Sans ajouter de complexité computationnelle ni de paramètres supplémentaires, notre modèle surpasse de manière constante sa base et les méthodes de pointe sur les benchmarks PASCAL VOC et MS-COCO pour les tâches FSOD et FSIS. Le code est disponible à l’adresse suivante : https://github.com/gaobb/DCFS.