- …
- …
#349
summarized by : Hiroki Ohashi
どんな論文か？
少量の学習データで物体認識を行うための手法と、そのための新規のデータセットを公開。RPNにおいて背景や対象カテゴリ以外のproposalを抑制するAttention-RPN、global/local双方の情報を加味するMulti-Relation detector、正例/負例を使って検出精度を向上させるContrastive learningが手法の特徴。
新規性
既存のfew-shot object detection手法と異なり、新規クラスに対してfine-tuningなしに高精度を達成することができる点。またクラス数が多く(1000クラス)、かつクラスごとのサンプル数の偏りが少ない新規のデータセットFSODを公開。
結果
提案手法は既存データセット（COCO）においてもSoTAを達成。さらに、未知のテストデータに対するfew-shot object detectionの精度を比較したところ、COCOデータセット（クラス数は少ないがクラス当たりのサンプル数は多い）で学習するよりも新規データセットFSOD（クラス数は多いがクラス当たりのサンプル数は少ない）で学習した方が精度が高く、FSODデータセットの有効性を示した。
その他（なぜ通ったか？等）
新規クラスに対してfine-tuningなしに検出を行うという新規の課題、そのための新規の手法とそれによるSoTAの達成、さらにはデータセットの公開、という3点セットが揃っているため。
- …
- …