[Retentive R-CNN] Generalized Few-Shot Object Detection Withoutforgetting (CVPR, 2021)

1. Motivation

本文聚焦于fine-tune操作后FSOD模型在base classes上出现的性能退化问题。研究中提出了一种名为Retentive R-CNN的新型框架，其核心创新点为Bias-Balance RPN Re-detector，该组件能够在检测novel classes的同时，有效维持base classes原有的识别精度。

• 然而，当前多数研究仅关注few-shot类别上的表现，却忽视了base classes可能发生的灾难性遗忘现象，这种做法在实际应用中存在明显不足。

Meta-learning方法存在的局限性：

由于引入support images作为训练依据，当support类别数量增加时，网络训练所需的时间复杂度也将随之上升

• 鉴于其计算复杂度与类别数量呈正相关关系，这些方法在处理数据集中包含两类对象的任务时，往往表现出效率低下甚至无法运行的问题。

本文进一步对当前FSOD的主要研究方向进行了分类整理，大致可分为Meta Learning Based和Transfer-learning Based两大