Meta-RCNN: Meta Learning for Few-Shot Object Detection【阅读笔记】

论文：https://openreview.net/pdf?id=B1xmOgrFPS

目前还没有代码。

目录

摘要

一、INTRODUCTION

二、网络结构

​编辑

1.引入库

2.读入数据

实验

总结

摘要

论文基于元学习原理，提出了一种新的目标检测元学习框架“Meta-RCNN”，该框架基于Faster R-CNN算法。

一、INTRODUCTION

通过提出一种使用元学习范式的新方法来解决小样本目标检测中的挑战。基于元学习小样本目标检测的设置如下图。

​

二、准备工作

1、数据的设置，论文给出了正式的定义（基类、新类、任务），我感觉描述的还是比较清楚的。元学习，也被称为“学习会学习”，旨在通过一些训练例子，设计出能够学习新能力或快速适应新环境的模型。元学习的标准范式，分为两个阶段：元训练和元测试。

2、对Faster R-CNN算法知识进行了回顾。

三、网络结构

​

框架如上图所示，主要包括Faster-RCNN结构、PN（原型网络结构）、Class Attention模块。

元训练

从基类（大量标注）中抽取大量的 N-way K-shot 任务

1、通过原型网络从支持集中学习先验知识

支持集的图像经过Faster-RCNN产生K类目标的区域特征，对于k类中感兴趣的每一类计算出Pk。

 2、类感知注意力特征

查询集经过Faster-RCNN（RPN、ROI Pooling之前）得到特征图，class-aware attention module基于通道乘法，作用是突出目标类的信号，抑制其他类别的信号；将1中每个类别的Pk经过全连接层编码为与特征图进行元素乘法，得到一个具体类别的特征图（以突出显示属于类的目标。）

 经过权重共享的RPN得到具体类别的候选框，为了进一步增强区域建议的表示，通过元素级乘法将原型与区域特征附加起来。

 3、损失函数

 元测试

在测试阶段有两种设置： (i)多重情景预测；（ii）单一情景预测

实验

 数据集

 部分实验结果：

FSOD-VOC基准结果

 传统VOC基线结果

五、相关工作

这篇论文排版有点不同，实验结束后介绍了目标检测、元学习小样本目标分类、小样本目标检测的相关工作。

总结

最近在看小样本目标检测论文（Meta learning）,可能有的描述不恰当或者有误，欢迎大家交流学习。