Propagación de gráficos que preserva semántica para detección de objetos sin ejemplos previos

La mayoría de los modelos de detección de objetos existentes están restringidos a la detección de objetos de categorías previamente vistas, un enfoque que tiende a volverse inviable para conceptos raros o novedosos. En consecuencia, en este artículo exploramos la detección de objetos en el contexto del aprendizaje sin ejemplos previos, es decir, Detección de Objetos Sin Ejemplos Previos (ZSD), para reconocer y localizar objetos de conceptos novedosos de manera simultánea. Los algoritmos ZSD existentes se basan típicamente en una estrategia de transferencia de mapeo simple que es susceptible al problema del cambio de dominio. Para resolver este problema, proponemos un nuevo modelo de Propagación de Gráficos que Preserva Semántica para ZSD basado en Redes Neuronales Convolucionales de Gráficos (GCN). Más específicamente, empleamos un módulo de construcción de gráficas para construir de manera flexible gráficas de categorías al incorporar diversas correlaciones entre nodos de categorías; esto es seguido por dos módulos que preservan semántica que mejoran tanto las representaciones de categorías como de regiones a través de un proceso de propagación de gráficos en múltiples pasos. En comparación con los métodos existentes basados en transferencia de mapeo, tanto la descripción semántica como el conocimiento estructural semántico exhibido en gráficas de categorías previas pueden ser aprovechados eficazmente para mejorar la capacidad de generalización de la función de proyección aprendida a través de la transferencia de conocimiento, proporcionando así una solución al problema del cambio de dominio. Los experimentos en divisiones vistas/no vistas de tres conjuntos de datos populares de detección de objetos demuestran que el enfoque propuesto tiene un rendimiento favorable frente a los métodos ZSD más avanzados.