特徴再重み付けを用いた少ショット物体検出

従来の深層CNNに基づく物体検出器の訓練には、多数のバウンディングボックスアノテーションが必要であり、これは稀少なカテゴリでは利用できない場合がある。本研究では、わずかなアノテーション例から新しい物体を学習して検出できる少ショット物体検出器を開発する。提案されたモデルは、完全にラベル付けされたベースクラスを活用し、メタ特徴学習者と再重み付けモジュールを用いて一段階検出アーキテクチャ内で新しいクラスに迅速に適応する。特徴学習者は、十分なサンプル数を持つベースクラスの訓練データを使用して、新しい物体クラスにも一般化可能なメタ特徴を抽出する。再重み付けモジュールは、新しいクラスからの少数のサポート例を対象とするグローバルベクトルに変換し、対応する物体を検出するために必要なメタ特徴の重要性や関連性を示す。これらの2つのモジュールと検出予測モジュールは、エピソード型少ショット学習スキームと慎重に設計された損失関数に基づいて端対端で訓練される。広範な実験を通じて、提案モデルが複数のデータセットや設定において既存の基準モデルに対して大幅に優れていることを示した。また、提案モデルの様々な側面について分析を行い、今後の少ショット検出研究へのインスピレーションを提供することを目指している。（注：「一阶段检测架构」は「一段階検出アーキテクチャ」、「元特征学习器」は「メタ特徴学習者」、「再加权模块」は「再重み付けモジュール」と訳しています。）