(Few-shot Detection)Review: Comparison Network for one-shot Conditional object detection

本篇文章思路比较简单，作者认为，One-shot Learning只检测与query image相似的目标，是一种有条件的检测任务，适合引入贝叶斯条件概率理论。

网络的大致模型：

(a) 表示以前做One-shot conditional detection任务的常用做法，采用selective windows设计一个固定的metric 方法；(b)表示LSTD的做法，对RPN和分类器都采用features来做fine-tune；(c)OSCD的思想是，改变RPN为条件RPN，bbx和分类都是条件生成

这种做法，作者认为有三个好处：

• class agnostic

  只计算原图和query image的相似性，并不关心query image的类别；

• training-free

  在测试阶段不需要更新网络参数

• overcome forgetting

  由于是metric learning，所以训练后的参数是固定的

网络的具体模型：

先采用一个Siamese network进行特征采样，然后将两个特征融合输入C-RPN中计算ROI的相似度和bbox，再把相似的regoin用作C-Classifier做相似度计算和bbox计算

用于复现的话，可以看下面连个伪代码：