CVPRMar, 2020

增量式少样本目标检测

PDF
TL;DR提出了 OpeN-ended Centre nEt (ONCE) 目标检测器，旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景，并元学习一种适用于注册新类的类特定代码生成器模型，实现了对具有少数样本的新类对象进行学习的目标检测。
object detectionincremental learningfew-shot learningmeta-learningcentrenet
发现论文，激发创造
  • 简单微调方法下的增量式少样本目标检测

    本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

    Feb, 2023

  • 类别增量式少样本目标检测

    本文提出了一种名为 LEAST 的新的模型转移方法，通过减少权重适应、知识蒸馏和基于聚类的样本选择等步骤，实现了在小样本量下增量式学习的目标检测问题中的高效性能。

    May, 2021

  • 基于检测器融合的小样本增量式路面目标检测

    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

  • 语义增强的少样本目标检测

    提出了一个使用语义嵌入进行精细调整的少样本目标检测框架，通过使用语义相似性分类器，多模态特征融合和语义感知最大边界损失，解决了现有方法在极低样本场景中对新类别存在的分类混淆和性能下降问题。

    Jun, 2024

  • 少样本目标检测：研究进展与挑战

    本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法，得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

    Apr, 2024

  • 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

  • 道路物体检测的小样本学习

    本篇研究考虑在现实世界中具有类别不平衡的情况下进行 few-shot 目标检测（FSOD）。通过对印度驾驶数据集（IDD）进行实验，同时评估了基于度量学习和元学习的 FSOD 方法在同领域实验和对象样本稀少的实验中的表现。结果显示距离度量学习的方法在新颖的类上表现优于元学习。此外，本研究还证明了在真实世界的开放数据集中扩展目标类别是进行 few-shot 学习研究的有利方式。

    Jan, 2021

  • 遥感中的小样本目标检测：解除不完全注释的新颖目标的诅咒

    提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

    Sep, 2023

  • 增强的少样本目标检测的改进区域建议网络

    我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

    Aug, 2023

  • 基于自我监督学习的增量式少样本物体检测

    该文提出了一种使用 DETR 目标检测器的自我监督和微调来进行增量小样本物体检测的方法，在识别新类别的同时不会遗忘基础类别，并使用知识蒸馏实现增量微调。

    May, 2022