要約
最近の物体検出における進歩は、大規模な検出ベンチマークを用いた深層学習によって主に推進されています。しかし、目標検出タスクの完全アノテーションされた訓練データセットはしばしば限られており、これは深層検出器の性能を低下させる可能性があります。この課題に対処するため、本論文では新しい低ショット転移検出器（Low-Shot Transfer Detector: LSTD）を提案します。ここで、豊富なソースドメインの知識を活用して、非常に少ない訓練例で効果的なターゲットドメインの検出器を構築します。主要な貢献は以下の通りです。第一に、LSTDの柔軟な深層アーキテクチャを設計し、低ショット検出における転移困難を緩和しました。このアーキテクチャは、SSDとFaster R-CNNの両方の利点を統一された深層フレームワークで統合することができます。第二に、低ショット検出のために新しい正則化転移学習フレームワークを導入しました。ここでは、転移知識（Transfer Knowledge: TK）と背景抑制（Background Depression: BD）の正則化項が提案され、それぞれソースドメインとターゲットドメインから物体に関する知識を利用することで、少量のターゲット画像による微調整をさらに強化します。最後に、数々の挑戦的な低ショット検出実験においてLSTDを評価しました。その結果、LSTDは他の最先端手法よりも優れた性能を示しており、LSTDが低ショットシナリオ向けに好ましい深層検出器であることが証明されました。以上が本研究的主要な内容であり、LSTDが低ショット検出問題に対して有効であることを示す結果が得られました。