零样本检测
提出了一种用于物体检测的零样本学习方法,通过合成视觉特征实现模型同时学习已知和未知的物体,并采用一种新颖的生成模型,使用类语义不仅生成特征,而且还对它们进行鉴别分离。在三个物体检测基准测试中表现优秀,超过现有技术方法。
Oct, 2020
本文提出了一种解决零样本目标检测问题的方法,并通过使用视觉 - 语义嵌入,背景感知方法,以及使用大量类别语义标签的辅助数据来解决仅有少数训练类别的问题。在 MSCOCO 和 VisualGenome 两个标准检测数据集上进行实验,验证了该方法的有效性。
Apr, 2018
本文介绍了一种名为 DELO 的检测算法,它通过综合未知对象的视觉特征并增强现有训练算法来实现零样本检测,并在 Pascal VOC 和 MSCOCO 上进行评估,并证明了与传统和其他零样本检测器相比的显着准确度提高。
Nov, 2019
本研究提出一种方法,从大规模图像 - 字幕对中自动生成多样物体的伪包围框注释,以扩大训练基础类别的范围,并通过实验证明该方法在各种数据集上比最先进的开放词汇检测器有更好的检测结果。
Nov, 2021
本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题,并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音,旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。
Mar, 2018
本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”,并提出了一个统一的模型,可以同时检测零 / 少样本物体类别,其中核心思想是使用类语义作为目标检测的原型,并提出一种重新平衡的损失函数来强调难以检测的少样本情况,但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明,该方法可以显著提高检测性能。
Mar, 2020
研究零样本物体检测的核心挑战,以设计了一个含有内类语义分歧组件和类间结构保持组件的框架,展示了新型方法在 PASCAL VOC、COCO 和 DIOR 数据集上实现了最先进的性能,并首次在遥感影像中达到了零样本物体检测的研究。
Jan, 2022
本文提出了一种新的零样本学习模型,利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模,并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束,从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。
May, 2016
本文提出了一种名为 “Polarity loss” 的新型 Loss 函数,通过度量学习来优化 “语义词汇表” 上的噪声语义嵌入,从而改进了零样本目标检测中的视觉 - 语义对齐,同时通过显式地最大化正负预测之间的差距,达到更好的差别化效果。
Nov, 2018
本研究提出了一种零样本物体检测器,适用于开放集合,且不需预先知道物体类型,可以在抓取物体前几张图像后即可加入物体作为新的类别,并通过将未见物体分割网络级联零样本分类器的方式来打破分割管道的步骤。
Apr, 2023