基于语义关系推理的稳定少样本目标检测

CVPRMar, 2021

基于语义关系推理的稳定少样本目标检测

Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection

Chenchen Zhu, Fangyi Chen, Uzair Ahmed, Zhiqiang Shen, Marios Savvides

TL;DR通过引入显式关系推理和语义嵌入，利用少量数据探测新颖物体的性能较稳定且鲁棒，相比于显式和隐式样本较少时可以取得明显更好的结果。

Abstract

few-shot object detection is an imperative and long-lasting problem due to the inherent long-tail distribution of real-world data. Its performance is largely affected by the data scarcity of novel classes. But the semantic relation between the novel classes and the base classes is cons

few-shot object detection semantic relation relation reasoning semantic embedding dynamic relation graph

发现论文，激发创造

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

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

简单语义辅助的少样本学习

利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。

Nov, 2023

基于一次学习的物体关系检测

该研究提出了一种称为 Semantics Induced Learner（SIL）的模型，用于解决图像理解中的对象关系检测任务，结合了自底向上和自顶向下的注意力机制，通过一次学习就能够有效地和稳健地适应大量具有不同外观的对象关系，证明了该框架在目标关系检测方面的有效性。

Jul, 2018

基於知識轉移的少樣本物體檢測

本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

Aug, 2020

知识增强的少样本视觉关系检测

本研究提出了一个基于知识增强的少样本学习（few-shot learning）框架，利用预训练语言模型和自动构建的视觉关系知识图谱获取了文本知识和视觉关系知识，从而提高了少样本学习的实用性和性能。与现有最先进模型相比，在常用的 Visual Genome 数据集的三个基准测试中，本方法的性能大幅超越了现有最先进模型。

Mar, 2023

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

Few-Shot 细粒度图像分类的对象感知长短程空间对齐

该论文提出了一种物体感知的远近距离空间对齐方法，通过 FOE 模块增强前景物体响应、LSC 模块学习可转移的远距离语义对齐和 SSM 模块对查询特征进行短距离精细对齐，以实现在小样本情况下对罕见细粒度目标的检测和识别。

Aug, 2021

基于语义学的交互心理测量的少样本学习

本文提出了一种基于内部语义关系的交互心理测量学方法，旨在解决少样本图像分类问题中标签监督性与复杂概念关系不兼容的挑战性场景，实验结果表明我们的方法在 CIFAR-100 数据集上有很好的表现以及优越性。

Dec, 2021

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