Few-Shot Object Detection with Contrastive Learning

Обнаружение объектов в условиях малого числа примеров использует два ключевых принципа: (1) изучение хорошего пространства признаков важнее, чем запоминание конкретных классов, и (2) детекторы объектов могут быстро адаптироваться к новым классам посредством механизмов внимания. Подход сначала предварительно обучается на большом количестве базовых классов, затем использует attention-RPN для фокусировки на областях новых объектов и реляционные сети для сравнения новых объектов с примерами из набора поддержки. Целевая функция метрического обучения гарантирует, что обнаружения одного и того же нового класса дают схожие представления, что обеспечивает надежное обнаружение при минимальном количестве примеров.