FSCE: コントラスティブ提案符号化を用いた少量学習物体検出

新興の関心は、極めて少ない学習例（few-shot object detection, FSOD）をもとにこれまで見られなかった物体を認識することに向けられています。最近の研究では、良好な特徴量埋め込みが好ましいfew-shot学習性能を達成するための鍵であることが示されています。私たちは、異なるIntersection-over-Union (IoU) スコアを持つ物体提案が、コントラスティブアプローチで使用される画像内拡張（intra-image augmentation）に類似していることに注目しました。この類似性を利用して、監督付きコントラスティブ学習を組み込むことでFSODにおけるより堅牢な物体表現を実現しています。本稿では、コントラスティブ提案符号化（Contrastive proposals Encoding, FSCE）を通じて行われるfew-shot物体検出について紹介します。これは単純でありながら効果的な手法で、コントラスティブ意識的な物体提案符号化を学習し、検出された物体の分類を容易にするものです。私たちは稀な物体の平均精度（average precision, AP）の低下が主に新しいインスタンスを混同クラスとして誤分類することから来ていることを確認しました。そして、我々のコントラスティブ提案符号化損失（CPE loss）を通じてクラス内のコンパクトさとクラス間の分散を促進することで、誤分類問題を緩和しています。我々の設計は任意のshotおよび全てのデータ分割において現在の最先端技術よりも優れた性能を発揮しており、標準的なベンチマークPASCAL VOCでは最大+8.8%、難易度が高いCOCOベンチマークでは+2.7%の向上が見られます。コードは以下のURLで公開されています: https://github.com/MegviiDetection/FSCE