摘要部分

few shot很多用的都是faster R-CNN为基础，本文用的是one-stage 结构。
用了一个meta feature learner和reweighting模块。
和其他的few shot一样，先学习base数据集，再推广到novel数据集。
feature learner会从base数据集中提取meta feature, 再用这个feature去检测novel数据集。
reweighting模块把一些novel数据的example转为向量，这个向量表示meta feature的重要程度。
所以理解为这是few shot的迁移学习方法。

introduction和相关工作

样本少的时候CNN容易overfit, 推广性比较差。
本文用base数据集和少样本的novel数据集训练，达到同时能识别base和novel数据集的效果。
属于迁移学习，迁移base的knowledge到novel数据。

novel数据有一个query image和一些support images.
模型包括meta feature learner和re-weighting模块。
meta feature learner从query image中提取meta feature.
re-weighting模块从support image中得到global features, 然后嵌入到re-weighting系数中，
这个系数表示query image meta feature的重要程度。
这样的话，query meta feature就得到了support image的信息，调整到适合novel数据检测的程度。
调整过的meta features送给目标检测的预测模块，用来预测类别和目标框。

总结一下就是先训练得到meta feature,
如果novel数据集有N个类别，那么re-weighting模块会用到N个类别的support images,
得到N个re-weighting向量，每个向量负责检测对应的类别。

两个模块是端到端一起训练的。
paper的方法是2个训练的步骤，第1个训练用base数据，提取meta feature，
第2个训练用novel数据集微调.
当然也设计了损失函数。

之前另一篇survey提到过，迁移学习的缺点是“忘性大”，学习了base数据后，再学novel数据，base数据的检测效果就会下降。
Related Work中也提到了有关迁移学习的只评价了novel类别。而paper是同时评价base和novel的。

方法

backbone用YOLOv2, 用backbone提取meta特征，也就是把backbone作为meta feature extractor.
还有一个re-weighting模块M，设计成一个轻量级的CNN，不影响效率。

meta feature的提取通过query image, re-weighting模块用support image.
re-weighting用来改变meta feature的权重。

比如 I 是 input query image, 那么它的meta feature是一个(w, h, m)的 feature $F$（经过backbone）.
所以meta feature有m个feature map.
对于类别 i, support image和bounding box分别为$I_i$和$M_i$,
re-weighting模块的输入为（$I_i$，$M_i$），会得到一个与class相关的系数
这个系数与$F$在channel上相乘（实现用1x1 depth-wise卷积），就得到与类别 i 相关的feature $F_i$,

把$F_i$送进预测模块P，得到objectness score o, 目标框(x,y,h,w)和类别score $c_i$, 每个anchor适用。

和之前小样本检测一样，把COCO，PASCAL等公共数据集作为base数据集，
把base数据集分成多个小样本检测任务，每个任务由support image和query image组成，
其中，support image是N个类别，query image是其中一个类别。
query image用来做evaluation.

损失函数：

可以理解为query image经过backbong得到meta feature, 然后经过re-weighting得到 着重强调类别 j 的特征，
再经过prediction模块得到bounding box，和query image的box计算损失。

训练分为2步。
第一步用base训练，上面的D，M，P三个模块一起训练。
第2步是小样本微调。用base和novel数据一起训练。

novel数据集中的类别只有k个标注的目标框，为了避免class imbalance,
所以在每个base类别中也取k个box。
训练过程和第一步一样，但是训练epoch数减少，因为样本数量不多。

训练过程中，re-weighting系数由(support image, box)决定，每个epoch它们是随机采样的。
完成第2步的训练后，就不再需要support image, 可以直接检测。

re-weighting系数是取k-shot samples预测出来的系数的平均，
得到这个系数向量之后，re-weighting模块可以在推理中移除，所以几乎没有增加新的参数。
就相当于在prediction之前把特征channel-wise乘一个re-weighting向量。

总的结构图如下：

损失函数

按照之前的描述，在推理过程中，应该是按类别预测的（每个类别一个re-weighting系数）。
所以很容易想到BCE损失函数，是target class就是1，否则为0.
但是用BCE容易出现一片区域预测出多个类别的情况。NMS并不能过滤掉多余的目标框，因为NMS只能过滤同类别的高度重叠的目标框，不同类别的是不过滤的。

作者用softmax校正了class score

根据log函数的性质，$c_i$越小，$log(c_i)$负值越小，损失就越大，反之损失越小。
直接BCE的问题在于它必须同时预测一个positive和negative. 而类别又不止两类。

其他损失函数部分和YOLOv2类似，但是$L_{obj}$处考虑到正样本和负样本的平衡，有些负样本的损失不计算。
整体的损失函数为

re-weighting模块的input格式

re-weighting模块的input应该是图片中的ROI区域，
一个图片可能有多个类别的目标，所以在RGB通道上再加一个通道Mask, ROI区域内值为1，其他区域为0.
如果同一类目标有多个object, 那么只取一个。

实验

选择VOC07,12，20个类别， train/val用于训练，5个类别作为novel, 15个作为base数据。
COCO数据集中，选择和VOC重合的20类作为novel, 剩下的60类作为base.

几个对比版本：
YOLO-joint: base和novel一起训练，训练epoch和paper方法一致
YOLO-ft：先用base训练，再用novel微调，epoch数和paper方法一致
YOLO-ft-full: 把YOLO-ft训练至完全收敛
LSTD(YOLO): 把Low-Shot Transfer Detector(LSTD)的background depression(BD)和transfer knowledge(TK)实现到YOLO上，训练epoch数和paper一致
LSTD(YOLO)-full: LSTD（YOLO）训练到收敛

VOC数据集的mAP

COCO数据集上的mAP

收敛速度对比

re-weighting系数可视化