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

论文遵循元学习原理构建了基于元学习原理的目标检测元学习框架“Meta-RCNN ”，并采用了Faster R-CNN算法作为基础

一、INTRODUCTION

基于创新性地采用元学习范式的新型方法来应对小样本目标检测中的挑战。该元学习小样本目标检测框架如图所示。

​

二、准备工作

论文中对数据的具体配置给出了明确的规范说明（包括基类、新增类以及具体任务），我认为这部分描述较为清晰明了。此外，在机器学习领域中被广泛认知的概念——元学习（亦被称作"自适应学习"），其核心目标即在于通过一组训练实例来设计出能够掌握新技能或迅速适应新环境的学习模型。在现有的研究框架下，默认的标准范式主要包含两个核心环节："元训练"与"元测试"

2、对**Faster R-CNN** 算法知识进行了回顾。

三、网络结构

​

该框架基于图中的示意图主要包含以下三个核心组件：基于Faster-RCNN架构的设计、PN（即原型网络结构）以及用于分类注意力机制的模块。

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

通过Faster-RCNN模型处理支持集的图像信息，并生成K个类别各自对应的区域特征；随后，在选定关注的k类别别中逐一计算并获得相应的特征向量P_k

2、类感知注意力特征

查询集通过Faster-RCNN（在RPN和ROI池化之前）生成了特征图；基于通道相乘机制的类别意识注意力模块的作用是增强目标类别特征信号的同时抑制其他类别特征信号；从1中的每个类别Pk出发，通过全连接层对每个类别Pk进行编码得到向量𝜙，并与生成的特征图进行逐元素相乘操作以突出显示属于类𝑐𝑘的目标区域。

借助于权重共享机制，在RPN框架下生成明确类别的候选框以实现区域建议的进一步提升。通过逐元素相乘的方式将原型与区域特征r叠加起来。

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

这篇论文在排版上存在差异，在实验结束后系统地阐述了目标检测、元学习小样本目标分类以及小样本目标检测的相关工作。

总结

最近正在阅读小样本目标检测领域的相关论文（Meta learning），其中可能存在一些不太准确或需要进一步验证的地方。欢迎大家一起交流学习。