无微调一次性目标检测

May, 2020

One-Shot Object Detection without Fine-Tuning

Xiang Li, Lin Zhang, Yau Pun Chen, Yu-Wing Tai, Chi-Keung Tang

TL;DR本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

Abstract

deep learning has revolutionized object detection thanks to large-scale datasets, but their object categories are still arguably very limited. In this paper, we attempt to enrich such categories by addressing the

deep learning object detection one-shot object detection metric learning faster r-cnn

发现论文，激发创造

基于锚点特征匹配的单阶段单次检测目标识别

本文研究一次性目标检测的任务，构建了一种同时完成定位和识别的一阶段系统，使用了学到的本地特征的密集相关匹配，前馈几何变换模型来对齐特征，并使用双线性重采样来计算检测分数，在若干挑战性领域的实验评估中，展示了我们的方法可以探测到看不见的类别，并且大幅度地优于其他基线模型。

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

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

注意力 RPN 和多关系检测器的小样本目标检测

本文提出一种新的 few-shot 目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过 Attention-RPN，Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。作者还贡献了一个包含高品质注释的 1000 个物体类别的新数据集，是针对 few-shot 目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。

Aug, 2019

FCOS：一种简单而强大的无锚点目标检测器

在计算机视觉中，我们提出了一种完全卷积的一阶段对象检测器（FCOS），以像语义分割等其他密集预测问题的方式解决像素级预测对象检测问题，该检测器不需要预定义的基础框，并且避免了与基础框计算相关的超参数，非常简单有效。

Jun, 2020

FCOS：全卷积单阶段目标检测

本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

Apr, 2019

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

大规模物体检测 —— 无需细粒度边界框检测 11K 类

本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

Aug, 2019

任意次数目标检测

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

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