（1）Author

• 作 者
  Qi Fan，Wei Zhuo，Chi-Keung Tang，Yu-Wing Tai
• 机 构
  HKUST
  Tencent
• 时 间
  2020年

（2）Abstract

• 传统的目标检测算法需要大量高质量的标注数据来训练模型，而数据标注非常耗费人力物力，因此本文中提出了一种“小样本”的目标检测网络，旨在通过少量的标记数据就能让模型有效检测那些从未见过的目标；
• 该算法的核心有三点：Attention-RPN, Multi-Relation Detector, Contrastive, Training strategy，能够利用小样本的support set和query set的相似性来检测新的目标同时抑制background中的错误检测；
• 这个团队还自己建立了一个包含1000种目标的数据集，这是第一个专为“小样本”目标检测设计的数据集，数据集地址（https://github.com/fanq15/Few-Shot-Object-Detection-Dataset）；

（3）Conclusion

• 提出了一个“few-shot”的目标检测框架，该算法的核心有三点：Attention-RPN, Multi-Relation Detector, Contrastive, Training strategy；
• 建立了一个专为“few-shot”目标检测而生的数据集。

（4）Introduction

• 现存的目标检测算法依赖大量的数据进行训练，这促使学界转向小样本学习的研究，但大多数研究集中在图像分类上，对于小样本目标检测问题的研究还是颇少；
• “小样本”检测算法要让模型检测到那些在训练中并未见过的目标（以下简称unseen object），而bounding box很容易错过那些unseen object，或者在背景区域产生大量错误的检测，作者认为这是由于RPN网络没有给这些好的bounding box一个应得的score，最终导致新的目标很难被检测到；
• 本文主要有两个贡献，一是提出了一个通用的小样本目标检测模型，不需要重新训练或者fine-tuning就能识别新种类的目标，二是建立了一个新的数据集；

（5）FSOD：A Highly-Diverse Few-Shot Object Detection Dataset

• 数据集的种类分布
  

（6）Our Methodology

（6.1）Problem Definition

• 作者首先对本文的任务做出了定义，提到两个概念——support image和query image，support image包含了对需要检测的目标的特写（见下图的左右上角，分别是对头盔和自行车的特写），而query image是我们要检测的目标，它可能包含了support image当中的目标，而我们的任务就是要在query image中把这些目标都找出来。如果support set包含了K个种类和N个对应的目标实例，这个问题被称为K-way N-shot detection；

（6.2）Deep Attentioned FewShot Detection

• 下图是本文算法的框架：
  
• 文中算法建立了一个新奇的注意力网络，能在RPN模块和Detector上学习support set和query set之间的联系；
• 图中的weight shared network有多个分支，可以分为两类，一类用于query set，另一类用于support set（support set的分支可以有多个，用来输入不同的support图像，图中只画了一个），query set的分支就是一个Faster RCNN的结构；

（6.2.1）Attention-Based Region Proposal Network

• 作者认为RPN不仅应该区分objects和non-objects，而且还应该过滤掉不属于support set的目标，但在没有support image的信息支持下，RPN会给出很多得分很高但并不属于support set的proposal，这给后续的detector带来了很大负担，因此，作者提出了Attention RPN来解决这个问题；
  
• 将通过weight shared network提取的support image和query image的feature按照下式定义的similarity进行计算得到最终的Attention feature map：
  

（6.2.2）Multi-Relation Detector

• 为了使detector更好地分辨不同的种类，作者提出了下图所示的muti-relation detector：
  
• 分别可以从全局、局部、patch三个角度来进行support image和query image间的匹配（说到底这一部分还是用来测量相似性的），作者也指出这三种模块可以互相结合以获得更好的性能，实验对比见下表：
  

（6.3）Two-way Contrastive Training Strategy

• 一种简单的训练策略是通过构造一个训练对（qc，sc）来匹配相同的类别对象，其中查询图像qc和支持图像sc都在同一个c-th类别对象中。作者认为一个好的模型不仅要匹配相同的类别对象，还要区分不同的类别，因此提出了一种新颖的双向对比训练策略。
• 具体做法是：随机地选择一张query image——qc，一张support image——sc，它两对应第c类目标，再选择一张包含第n类（n≠c）的support image来组成一个三元训练组，其中只有第c类的目标被标记为前景区域，其他的都被当做背景区域；
  
• 训练中会产生大量的背景proposal，特别是在negative support的图片上，因此作者为三种匹配对设定了一个比率，即：
  ratio as 1:2:1 for the
  foreground proposal and positive support pairs (pf ; sp),
  background proposal and positive support pairs (pb; sp), and
  proposal (foreground or background) and negative support pairs (p; sn)
• 在训练时，使用multi-task的loss function：
  
• 作者还对比了各种训练策略的效果：
  
  这的几way等于你选取几个negative support category + 1，几shot就是同一种类有几个模板；

（7）Experiments

• 效果还是很不错的：
  
  

（8）个人总结

• 无论是目标检测还是当今CV领域的其他任务，当前的算法总是要依赖large-scale的数据集，因此不管算法多花哨，模型都是totally data-based的，小样本的模型是以后的发展方向；
• 文中的团队特意为本次的研究建立了一个数据集，相信这花费了大量的人力物力，为后续的研究提供了方便，这必须要点一个大大的赞；
• 文中的算法，更像是一个匹配算法，这让我想起了传统图像处理的模板匹配算法，support set是模板，而我们要从query image中找出符合模板的目标，所以这里就有一个问题，那就是template的选取是否合理，这极大地关系到匹配的performance，文中并未对此作出对应的解释；
• 文中的算法的核心，我认为是“similarity”，无论是Attention RPN还是Muti-Relation Detector都是为了更好地去判断query image和support image的匹配度，但个人认为这里的Attention RPN的Attention主要还是集中在RPN网络的输入上，通过一个Attention的feature map来得到一个Attention的结果，我一开始读的时候以为是从channel的角度来实现attention，所以还是有点失望的 （仅对于我）；
• Muti-Relation detector最终match的指标是二元交叉熵，bounding box的loss参考了Fast RCNN；
• 每一个support branch都有一个自己的attention RPN，算法结构比较复杂；
• Muti-Relation detector在进行匹配的时候计算量很大，文中也没有出现具体的单步推理时间；
• 训练起来也比较麻烦，一是选定一个sc后其他的negative support怎么选取，二是怎么去遍历这些种类才算合理，这都是很值得讨论的问题。