Mar, 2020

任意次数目标检测

PDF
TL;DR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。
novel object detectionany-shot detectionclass-imbalanceknowledge forgettingrebalanced loss function
发现论文，激发创造
  • 最近几种 Few-Shot 物体检测算法的比较评价

    本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

    Oct, 2021

  • 零样本检测

    提出一种零样本方法，该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型，不使用语义信息，在测试时能明显提高针对未知对象的平均精度，应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。

    Mar, 2018

  • 医疗领域零样本和少样本人工智能算法综述

    通过少样本学习、零样本学习和常规目标检测方法的比较研究，发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外，综述了最近三年的研究，介绍了少样本学习和零样本学习方法在解决挑战中的应用，并且指出了该领域中的进一步研究方向。

    Jun, 2024

  • 零样本物体检测

    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

  • 远程学习：重新思考有限监督下的广义零样本学习

    本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

    Jul, 2021

  • 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

  • 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

  • 零样本目标检测：学会同时识别和定位新概念

    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

  • 通过关注每个样本原型来实现小样本物体检测

    本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

    Sep, 2021

  • 零样本识别的最新进展

    本文综述了现有零样本识别技术的方方面面，包括模型表示、数据集、评估方式等，并简要介绍了一些相关的识别任务，如一次性识别和开放集识别等。同时，我们也指出了现有方法的局限性以及未来的研究方向。

    Oct, 2017