摘要

新兴的兴趣点在于通过少量训练样本识别以前未见过的物体，这一问题被称为少样本目标检测（FSOD）。近期的研究表明，良好的特征嵌入是实现优异少样本学习性能的关键。我们观察到，具有不同交并比（Intersection-of-Union, IoU）分数的目标建议框类似于对比学习中使用的图像内增强方法。基于这一类比，我们将监督对比学习引入到少样本目标检测中，以获得更加鲁棒的目标表示。我们提出了通过对比建议框编码（Contrastive proposals Encoding, CPE）进行少样本目标检测的方法（FSCE），这是一种简单而有效的方法，用于学习能够促进检测目标分类的对比感知目标建议框编码。我们注意到罕见目标的平均精度（Average Precision, AP）下降主要源于将新实例错误分类为混淆类别。通过我们的对比建议框编码损失（CPE loss），我们增强了实例级别的类内紧凑性和类间差异性，从而缓解了误分类问题。我们的设计在任何样本数量和所有数据划分上均优于当前最先进的方法，在标准基准PASCAL VOC上的提升高达+8.8%，在更具挑战性的COCO基准上的提升为+2.7%。代码可在以下链接获取：https://github.com/MegviiDetection/FSCE