基於知識轉移的少樣本物體檢測
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
该研究提出了一种基于知识图谱的网络模型,通过在少量训练数据的基础上进行信息传递和语义相关性分析,实现在大规模数据集上进行 few-shot 的学习,取得了较好的效果。
Nov, 2019
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
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
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
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
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
基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就,然而,这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题,并利用来自视觉和语义领域的物体相似性知识,在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明,我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。
Jan, 2018
介绍了三个无需参数的改进方案(a)基于将交叉验证适应到元学习的更好的训练流程,(b)使用有限的边界框注释来定位目标的新型架构,以及(c)基于双线性汇总的特征空间的简单无需参数的扩展,这些改进共同使得算法能够在真实世界的识别问题中表现更好。
Apr, 2019