道路物体检测的小样本学习

AAAIJan, 2021

Few-Shot Learning for Road Object Detection

Anay Majee, Kshitij Agrawal, Anbumani Subramanian

TL;DR本篇研究考虑在现实世界中具有类别不平衡的情况下进行 few-shot 目标检测（FSOD）。通过对印度驾驶数据集（IDD）进行实验，同时评估了基于度量学习和元学习的 FSOD 方法在同领域实验和对象样本稀少的实验中的表现。结果显示距离度量学习的方法在新颖的类上表现优于元学习。此外，本研究还证明了在真实世界的开放数据集中扩展目标类别是进行 few-shot 学习研究的有利方式。

Abstract

few-shot learning is a problem of high interest in the evolution of deep learning. In this work, we consider the problem of few-shot object detection (FSOD) in a real-world, class-imbalanced scenario. For our exp

few-shot learning object detection metric-learning meta-learning real-world scenario

发现论文，激发创造

Meta Faster R-CNN: 基于注意力特征对齐的精准少样本目标检测

提出了一种基于元学习的 FSOD 模型，通过联合优化少样本提议生成和细粒度分类，采用轻量级的基于度量学习的原型匹配网络来提高少样本类别的提议生成，提出了一种注意力特征对齐方法来解决噪声提议与少量样本类别之间的空间失配问题。在多个 FSOD 基准上取得了最先进的性能。

Apr, 2021

少样本目标检测：研究进展与挑战

本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法，得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

Apr, 2024

基于元学习的跨模态提示的多模态小样本目标检测

本文介绍了一种基于多模态少样本学习的目标检测方法，使用视觉样本和分类语义信息来检测目标，通过元学习和提示学习相结合，在不需要微调的情况下建立通用少 / 零样本检测模型，同时引入知识蒸馏来解决针对稀有类别缺乏类名称先验知识的问题，通过在多个少样本数据集上的实验来验证该方法的有效性。

Apr, 2022

多域标准下重新思考少样本目标检测

本文提出了一个基于多领域的数据集的多领域少样本目标检测（MoFSOD）基准测试，以评估少样本算法的性能，并通过冻结层、不同体系结构和不同预训练数据集等方面的实验结果发现了多个影响少样本目标检测性能的关键因素，并提出了两种算法改进方法，在 MoFSOD 基准测试中实现 SOTA 表现。

Jul, 2022

基于检测器融合的小样本增量式路面目标检测

在本文中，我们使用来自印度驾驶数据集的数据，采用 DualFusion 方法解决批量渐进式少样本道路物体检测的问题，利用对象检测器组合，使我们学会检测仅有极为有限数据的稀有对象，而仍不会严重降低检测器在丰富类上的性能。在 IDD OpenSet 逐步少样本检测任务中，我们的 mAP50 分别为 40.0 和 38.8，在 COCO 批量渐进式少样本检测任务中，我们获得了一项新的 AP 得分 9.9，超过同一任务上的现有类最佳表现 6.6 倍。

Aug, 2021

重新审视视觉语言模型下的少样本目标检测

本论文提出了一种基于少样本目标检测的新的评估协议，旨在在任何外部数据集上预训练和微调检测器，并且通过利用联合学习策略，改进了现有方法，并在 LVIS 和 nuImages 上获得 5.9 个 AP 的提升。

Dec, 2023

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

具有异构图卷积网络的查询自适应少样本目标检测

本文提出了一种使用异构图卷积网络的新颖 FSOD 模型，通过三种不同类型的边在所有提案和类节点之间进行有效的消息传递，从而获得上下文感知提案特征和查询自适应的多类增强原型表示，这有助于促进成对匹配并提高 FSOD 准确性，在 PASCAL VOC 和 MSCOCO FSOD 基准测试中，我们的模型 QA-FewDet 在不同的拍摄数和评估指标下优于现有的最先进方法。

Dec, 2021

语义增强的少样本目标检测

提出了一个使用语义嵌入进行精细调整的少样本目标检测框架，通过使用语义相似性分类器，多模态特征融合和语义感知最大边界损失，解决了现有方法在极低样本场景中对新类别存在的分类混淆和性能下降问题。

Jun, 2024

层次化少样本目标检测：问题、基准和方法

本文提出了一个名为 Hi-FSOD 的新问题，旨在在 FSOD 范式中检测具有分层类别的对象，并在 Hi-FSOD-Bird 基准数据集上使用 Hierarchical Contrastive Learning 方法及概率损失训练模型，优于现有 FSOD 方法。

Oct, 2022