Meta-SSD: Towards Fast Adaptation for Few-ShotObject Detection With Meta-Learning【阅读笔记】

---

目录

摘要

介绍

相关工作

网络结构

实验

总结

---

摘要

针对样本不足情况下，目标检测会产生过拟合以及性能下降的问题。该论文提出一种基于元学习的小样本目标检测框架（Meta-SSD）。

介绍

该论文从一个新的角度解决了（小样本目标检测）FSD问题：提出了一个广义的元学习检测框架来检测新感兴趣的类的对象，并为FSD问题打开了一扇新的大门。

主要贡献

1）提出了一种带有元学习器和目标检测器的元学习FSD框架，将监督学习SSD转换为元学习FSD。

2）在Pascal VOC 数据集上定义了一个新的基准NIST-FSD，通过将类分为可见类（用于训练）和未可见类（用于测试，在训练阶段不存在）。用于训练和评估所提出的元学习FSD框架和其他FSD方法

相关工作

（1）目标检测（一阶与二阶）

（2）元学习

元学习是小样本学习的常用解决方案，在图像识别、回归和强化学习方面取得了突破性的进展。一个标准的元学习框架通常有两个组成部分：一个作为教师的元学习者和一个被视为学生的学习者。在元学习机制中，一个元学习者被训练成一个类似任务的分布，以教学习者如何更新其参数。以往的元学习工作大多集中在图像识别、回归和强化学习上，很少有研究是针对FSD的元学习。基于元学习方法在上述领域的少镜头学习方面取得的进展，所以引入了FSD的广义元学习框架。

（3）小样本检测

介绍Meta-SSD与基于迁移学习的LSTD框架的区别。首先，Meta-SSD在任务上进行训练和测试，而LSTD在源域上进行训练，并在目标域上进行微调。其次，Meta-SSD对每个任务只更新一次参数，LSTD需要在目标域上进行数百或数千次迭代。第三，LSTD将SSD与Faster R-CNN相结合，实现了一个从粗到细的检测管道，Meta-SSD以元学习的方式学习纯SSD，无需其他技术。

网络结构

框架如（c）所示，包括一个元学习器，一个目标检测器。在完成基类的一系列训练任务后，元学习器应该教检测器如何在看不见类的新任务中快速调整其参数（只更新一次）。目标检测器使用SSD，本文是从元学习的角度解决FSD问题，需要用检测架构评测网络的灵活性，检测器应该相对简单以减小元学习的复杂度。

学习过程存在于快速学习和渐进学习两个层次，如下图所示。快速学习：在每个快速适应的任务中发生，其中检测器在元学习者的指导下更新其权重，以获得一个应该更适合该任务的适应检测器。渐进式学习的目的是通过更新每批任务的元信息来获得所有相关任务的通用知识。

 整体算法

---

实验

将数据集分为元训练和元测试两个子集。在每个元训练或元测试集中，有两个子集：训练子集和测试子集。目标检测器在训练子集上进行训练，然后在元学习者的指导下进行更新。测试子集用于评估更新后的检测器和收集损失来更新元学习器。

实验结果

 

总结

本研究的目的是验证元学习FSD的可行性，并为FSD提供一种新的方法，而不是追求FSD的准确性。实验表明，元学习是一种很有前途的FSD学习方法。本研究可为未来的研究提供一些建议，并作为元学习FSD的基础。