遥感图像中的少样本目标检测
本文旨在使用仅有少量示例来进行卫星图像中的目标检测,从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器,其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型,并与区域建议内容进行标签预测。另外,我们提出在可用的训练图像上微调原型,以提高性能并学习类似类别之间的差异,例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外,我们研究了视觉和图像文本特征的性能,即 DINOv2 和 CLIP,包括专门针对遥感应用的两个 CLIP 模型。结果表明,视觉特征在很大程度上优于视觉语言模型,因为后者缺乏必要的领域特定词汇。最后,尽管训练参数很少,但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。
Mar, 2024
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。
Dec, 2018
利用单级检测器作为基准,结合元学习训练框架和新颖的元采样方法,提出了一种在遥感图像中进行少样本目标检测的方法,以提高检测准确性和元学习策略的效率。
Apr, 2024
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
本文提出了一种基于关系 GRU 单元和自适应注意力网络(SAAN)的少样本目标检测器,以检测仅提供了少数样本的新物体,并通过关注对象级别的关系来提高检测准确性。
Sep, 2020
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
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。
May, 2020
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
通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示,针对远程感知图像,我们提出了一种新的用于远程感知图像的少样本定向目标检测方法,称为记忆对比学习的少样本定向目标检测(FOMC)。我们引入了一个带有动态更新存储器的监督对比学习模块,以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本,并增强模型学习未见类别的区分特征的能力。在 DOTA 和 HRSC2016 数据集上进行了全面实验,我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。
Mar, 2024