摘要

少样本目标检测（Few-shot Object Detection, FSOD）旨在通过利用大量基础类别数据中蕴含的先验知识，仅凭少量标注数据实现对新类别的检测。广义少样本目标检测（Generalized Few-shot Object Detection, G-FSOD）进一步要求在不遗忘已学习基础类别的同时完成新类别的检测，从而更贴近实际应用场景——即在测试阶段同时遇到基础类与新类别。尽管当前FSOD方法普遍存在灾难性遗忘问题，G-FSOD虽有效缓解了该问题，但在新类别任务上的性能仍显著低于当前最先进的FSOD方法。为此，本文提出一种基于约束的微调方法（Constraint-based Fine-tuning Approach, CFA），以缓解灾难性遗忘，同时在不增加模型容量的前提下，在新类别任务上取得具有竞争力的性能。CFA将一种持续学习方法——平均梯度回放记忆（Average Gradient Episodic Memory, A-GEM）引入G-FSOD框架。具体而言，CFA在梯度搜索策略中引入更严格的约束条件，推导出一种新型梯度更新规则，从而促进基础类别与新类别之间的知识有效共享。为验证所提方法的有效性，我们在MS-COCO与PASCAL-VOC两个标准数据集上进行了大量实验。结果表明，CFA在新类别任务上的性能优于现有的FSOD与G-FSOD方法，同时在基础类别任务上仅带来轻微性能下降。此外，CFA与现有FSOD方法具有正交性，可作为即插即用的模块集成到现有框架中，无需增加模型参数量或推理时间，具备良好的实用性和扩展性。