本文的目的是实现少目标检测(FSOD)–为新类别扩展目标检测器的任务,只需提供几个训练实例。我们引入了一种简单的伪标记方法来从训练集中获取高质量的伪注释,对于每个新类别,大幅增加训练实例的数量,减少班级不平衡;我们的方法查找以前未标记的实例。带有模型预测的天真训练产生次优性能;我们提出了两种新的方法来提高伪标记过程的精度:首先,我们引入了一种验证技术来删除带有错误类标签的候选检测;其次,我们训练了一个专门的模型来纠正劣质的边界框。经过这两个新奇的步骤,我们获得了一大组高质量的伪注释,允许我们的最终检测器进行端到端的训练。此外,我们还演示了我们的方法保持了基类性能,以及在FSOD中简单增强的实用性。在对PASCAL VOC和MS-COCO进行基准测试的同时,与现有方法相比,我们的方法在所有镜头数量上都达到了最先进或次优的性能。 |