要約
物体検出と視点推定は、3Dシーン理解の主要な課題である。最近の手法では、大規模なベンチマークにおける物体検出と視点推定で優れた結果が得られている。しかし、サンプル数が少ない新しい物体カテゴリについては、性能がまだ遅れを取っている。本論文では、少ショット物体検出と少ショット視点推定の問題に取り組む。我々は、異なるモダリティからのデータ（物体検出には画像パッチ、視点推定にはアライメントされた3Dモデル）から抽出したクラス代表的な特徴量を使用してネットワーク予測をガイドすることで、両タスクにおいてその利点を示す。この方法は単純にもかかわらず、PASCALやCOCOなどの少ショット物体検出用データセットやPascal3D+やObjectNet3Dなどの少ショット視点推定用データセットにおいて、既存の最先端手法を大幅に上回る結果を得ている。さらに、3Dモデルが利用できない場合でも、幾何学的な類似性と異なるクラス間の一貫した姿勢ラベリングを活用する簡単なカテゴリ非依存の視点推定手法を提案する。これは性能を若干低下させるものの、この設定においても以前の手法よりも良い結果を得ている。最後に、初めて両方の少ショットタスクの組み合わせに取り組み、野生環境での視点推定に関する3つの挑戦的なベンチマーク（ObjectNet3D, Pascal3D+, Pix3D）で非常に有望な結果を示している。