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
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
利用元学习方法解决异常检测在视频中的问题,通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为,可以用于实时应用中,具有很大的潜力。
Jul, 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
本文综述了近期研究的少样本和自监督目标检测方法,并提出了研究中的主要收获和未来方向。
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
本文提出一种新的 few-shot 学习方法,通过优化和快速适应查询样本的表示来改进 few-shot 分类,所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上,实验证明了所提出模型的分类结果达到了最先进水平。
Aug, 2020
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