ICCVDec, 2018

基於特徵重新加權的少樣本物體檢測

PDF
TL;DR本文提出了一种基于深度卷积神经网络的少样本目标检测方法，通过元特征学习与重新加权模块，快速适应新的物体分类。实验证明该模型在多个数据集和设置上均能显著优于现有少样本检测模型。
few-shot object detectionmeta feature learnerreweighting moduleepisodic few-shot learningdeep cnn
发现论文，激发创造
  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • Meta Faster R-CNN: 基于注意力特征对齐的精准少样本目标检测

    提出了一种基于元学习的 FSOD 模型，通过联合优化少样本提议生成和细粒度分类，采用轻量级的基于度量学习的原型匹配网络来提高少样本类别的提议生成，提出了一种注意力特征对齐方法来解决噪声提议与少量样本类别之间的空间失配问题。在多个 FSOD 基准上取得了最先进的性能。

    Apr, 2021

  • 简单扼要的少样本物体检测

    本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

    Mar, 2020

  • 无遗忘通用少样本目标检测

    本文提出 Retentive R-CNN 模型，通过应用传输学习的一些被忽略的优良属性，使用 Bias-Balanced RPN 去除预训练误差和 Re-detector 找出 few-shot 类物体并避免遗忘前面的知识，来实现 few-shot 目标检测任务中的长期记忆。实验表明，Retentive R-CNN 在各种设置下均可实现对 few-shot 类别的有竞争力的结果，而且不会降低基类的性能。

    May, 2021

  • Meta R-CNN：面向实例级少样本学习的通用求解器

    本文提出了一种基于元学习的方法，通过在区域感兴趣特征上进行元学习，基于 Faster/Mask R-CNN 网络解决 few-shot 目标检测 / 分割任务，并使用预测器头改造网络（PRN）监督模型进行 few-shot 目标检测 / 分割，实现了对多目标与背景信息的解耦，最终在实验中取得了优秀的性能表现。

    Sep, 2019

  • 元调节损失函数和数据增强用于少样本目标检测

    本研究旨在提出一种新的训练机制，从元学习的角度调整损失函数和数据增强的动态，以实现在少量样本下精准检测物体的目标，实验结果显示，在 Pascal VOC 和 MS-COCO 数据集上，该方法相较于基于 fine-tuning 和元学习的现有模型都取得了显著的进展。

    Apr, 2023

  • 无遗忘动态少样本视觉学习

    该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

    Apr, 2018

  • 使用表征学习进行少样本航空图像物体检测的经验反馈

    本文提出了一种基于 Faster R-CNN 及特征学习的几类物体检测方法，采用基于原型网络的方法，在线适应新类别，并使用嵌入向量与类别原型之间的距离确定对应分类得分。该方法在 DOTA 数据集上进行了评估，强调了特征学习对几类目标检测任务的应用潜力和局限性。

    Sep, 2021

  • 现实场景下的带有区域定位的小样本学习

    介绍了三个无需参数的改进方案（a）基于将交叉验证适应到元学习的更好的训练流程，（b）使用有限的边界框注释来定位目标的新型架构，以及（c）基于双线性汇总的特征空间的简单无需参数的扩展，这些改进共同使得算法能够在真实世界的识别问题中表现更好。

    Apr, 2019