Few shot object detection via feature reweighting

1. Few-shot Object Detection via
Feature Reweighting

2. • ベースクラスは大量のアノテーション、新しい
クラスはちょっとのアノテーションという問題設
定

3. • 検出予測Pに従って、クエリ画像の各メタ特徴
の寄与を調整する事を学習する。

4. • メタ特徴量学習器D、
• 再重み付けモジュールM、
• 予測モジュールP
• I クエリイメージ
• Sサポートイメージ
• 良好なメタ特徴量とサポートに対する再重み付け係数を確
実に学習することができる。

5. 2つのフェーズで学習
• 最初のフェーズ
– ベース学習フェーズ
– このフェーズでは，各基底クラスに対して豊富なラベルが
利用可能であり、特徴学習器，検出予測器を再重み付け
モジュールとともに共同で学習する。
• The second phase is few-shot fine-tuning.
– この段階では、ベースと新規の両方のモデルを学習する
– 学習手順は第1段階と同じ
– モデルが収束するまでの反復回数が大幅に少ない
– 反復ごとに利用可能なデータをランダムサンプルする
– この後、再重み付けモジュールは推論中に完全に除去す
ることができる

6. • サンプル数が非常に少ないため、特にクラス予測分
岐では損失関数を慎重に選択する必要がある
• 2値クロスエントロピー損失を用いるのが自然である
が、（オブジェクトがターゲットクラスであれば1，そう
でなければ0に回帰）
• しかし，この損失関数を使用すると，冗長な検出結
果を出力しやすいモデルになってしまうことがわかり
ました． 電車をバスや車として検出する）

7. • この問題を解決するために、我々が提案する
モデルは、以下のような分類スコアを校正す
るためにソフトマックス層を採用している。

8. • 本研究は、実用的で困難な数ショット検出の問題に
初めて取り組んだ研究の一つである。本研究では、
少数の例で新規クラスを検出するために、基本的な
特徴の寄与度を高速に調整するための学習モデル
を導入した。