本研究提出了三种不同的跨领域和类别增量学习的目标检测模型,并利用注意力特征蒸馏方法进行知识的延续,并通过三种代表性的采样方法发现对不同目标类别的记忆较为困难,而领域之间的差异对目标检测的负面影响较小。实验表明,所提出的方法在七个目标检测基准数据集上均取得了显著的改进。
Feb, 2020
在本文中,我们使用来自印度驾驶数据集的数据,采用 DualFusion 方法解决批量渐进式少样本道路物体检测的问题,利用对象检测器组合,使我们学会检测仅有极为有限数据的稀有对象,而仍不会严重降低检测器在丰富类上的性能。在 IDD OpenSet 逐步少样本检测任务中,我们的 mAP50 分别为 40.0 和 38.8,在 COCO 批量渐进式少样本检测任务中,我们获得了一项新的 AP 得分 9.9,超过同一任务上的现有类最佳表现 6.6 倍。
Aug, 2021
本文提出了一种基于鲁棒学习思想的目标检测框架,通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据,从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证,将本文提出的方法与现有方法进行了比较,得出了它的显著提升。
Apr, 2019
本文提出了一种基于领域自适应的增量式学习方法,即 DA-CIL,通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明,DA-CIL 在领域自适应增量学习场景下具有较好的性能。
Dec, 2022
本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述,强调提出的策略及其相关的缺点,为未来的研究提供有前途的问题,并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。
May, 2021
提出了一种用于自动驾驶目标检测的方法,通过平衡损失来缓解类别不平衡,采用梯度重塑的归纳层快速学习有限样本的新类别,通过归一化特征蒸馏来防止灾难性遗忘,并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能,实验证明该方法在 CODA 数据集上表现出更好的性能。
Nov, 2023
我们提出了一种转移学习框架,通过基于扩散的生成模型在少量真实数据情景下改善目标检测器的性能,从而解决了数据有限性的挑战。该方法在海洋生物学和城市环境中的鱼类和汽车目标检测任务中取得了与数千张图像训练模型相媲美的检测性能,为各个领域的基于生成 AI 的机器学习应用开辟了新的途径。
Feb, 2024
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
通过使用一种新的损失函数,这篇研究提出了一种解决卷积神经网络增量学习中 “灾难性遗忘” 的问题的方法,可以在没有原始训练数据或注释的情况下适应新类别,并在 PASCAL VOC 2007 和 COCO 数据集上实现了物体检测。
Aug, 2017
该论文提出了一种介质域方法,使用深度学习、对抗损失等技术实现物体检测领域的域自适应,提高了目标域的检测性能。
Oct, 2019