좌절할 정도로 간단한 소수 샷 객체 검출

소수의 예제로부터 희귀 객체를 감지하는 것은 새로운 문제입니다. 이전 연구들은 메타-러닝이 유망한 접근 방식임을 보여주었습니다. 그러나, 미세 조정(fine-tuning) 기술은 거의 주목받지 않았습니다. 우리는 기존 검출기의 마지막 레이어만 희귀 클래스에 대해 미세 조정하는 것이 소수 샷 객체 감지(few-shot object detection) 작업에서 매우 중요하다는 것을 발견했습니다. 이러한 간단한 접근 방식은 현재 벤치마크에서 메타-러닝 방법보다 약 2~20 포인트 더 우수하며, 때로는 이전 방법의 정확도를 두 배로 높이는 경우도 있습니다. 그러나, 소수의 샘플에서 높은 분산(variance)이 종종 기존 벤치마크의 신뢰성을 저하시키는 원인이 됩니다. 우리는 안정적인 비교를 위해 여러 그룹의 학습 예제를 샘플링하여 평가 프로토콜을 수정하고, PASCAL VOC, COCO 및 LVIS 세 개의 데이터셋을 기반으로 새로운 벤치마크를 구축했습니다. 다시 한번, 우리의 미세 조정 접근 방식은 수정된 벤치마크에서 새로운 최고 수준(state of the art)을 달성하였습니다. 코드와 사전 학습(pretrained) 모델은 https://github.com/ucbdrive/few-shot-object-detection 에서 제공됩니다.