摘要

少样本目标检测近年来取得了显著进展，其核心思想是利用基础类别对象所学习到的特征表示来表征新类别对象。然而，这一方法中隐含着一个被忽视的关键矛盾：新类别分类与特征表示之间存在内在冲突。一方面，为了实现精确的新类别分类，不同基础类别之间的特征分布应尽可能分离（最大化类间间隔，max-margin）；另一方面，为了精确重建新类别，基础类别之间的特征分布应尽可能接近，以减小新类别内部的类内距离（最小化类内间隔，min-margin）。针对这一矛盾，本文提出了一种类别间隔均衡（Class Margin Equilibrium, CME）方法，旨在系统性地优化特征空间划分与新类别重构过程。CME 首先通过全连接层将定位特征解耦，将少样本目标检测问题转化为少样本分类问题。随后，在特征学习过程中引入一种简单而有效的类别间隔损失（class margin loss），为新类别保留充足的间隔空间。最后，CME 通过对抗性最小-最大（adversarial min-max）方式扰动新类别实例的特征，以实现类间间隔的动态均衡。在 Pascal VOC 与 MS-COCO 数据集上的实验结果表明，CME 显著优于两种基线检测器（平均性能提升达 3%～5%），达到了当前最优水平。代码已开源，地址为：https://github.com/Bohao-Lee/CME。