Mar, 2021

Meta-DETR: 利用类别内部关联的图像级少样本目标检测

PDF
TL;DR该文研究了 Few-Shot Object Detection 的元学习，提出了一种 Meta-DETR 框架，该框架利用关联聚合和 DETR 检测框架实现元学习，避免使用预测不准的区域建议，提升了知识泛化能力，在多个少样本目标检测基准测试中优于现有方法。
few-shot object detectionmeta-learningcorrelational aggregationdetr detection frameworksimage level
发现论文，激发创造
  • Meta-DETR: 利用跨类别相关性的图像级少样本检测

    本文介绍的 Meta-DETR 是一种基于元学习的图像级 few-shot 目标检测器，其挖掘了不同类别之间的相关性进行学习，避免低质量的区域提议问题，取得了很好的检测精度。

    Jul, 2022

  • 基于自我监督学习的增量式少样本物体检测

    该文提出了一种使用 DETR 目标检测器的自我监督和微调来进行增量小样本物体检测的方法，在识别新类别的同时不会遗忘基础类别，并使用知识蒸馏实现增量微调。

    May, 2022

  • 元学习的零射界物体检测神经网络：Meta-ZSDETR

    本文提出了一种结合 DETR 和元学习进行零样本目标检测的方法 Meta-ZSDETR，通过个体剧集为基础的元学习任务将模型训练形式化，直接使用类特定的查询进行类特定的边界框预测，并通过从分类头预测的准确性进一步过滤它们，利用提出的对比重建损失在视觉空间中进一步区分不同的类别。在 MS COCO 和 PASCAL VOC 两个基准数据集上进行了广泛实验，实验结果表明我们的方法在零样本目标检测方面优于现有的 ZSD 方法。

    Aug, 2023

  • 少样本物体计数和检测

    本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

    Jul, 2022

  • 具有全局聚合的 DETR 用于跨域弱监督物体检测

    本文提出了 DETR-GA，一种基于 DETR 的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。

    Apr, 2023

  • 增强 DETR 收敛和多尺度特征融合的语义对齐匹配

    本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了 DETR 的收敛速度并提高了检测精度，拥有成为现有 DETR 收敛解决方案完美补充的潜力。

    Jul, 2022

  • MDETR -- 基于调制的端到端多模态理解检测

    该研究提出了基于 transformer-based 的 MDETR 多模态推理系统，能够从图像中提取物体并进行相关性文本推理，实验表明在对象检测、自然语言问题回答等任务中均获得了最佳表现。

    Apr, 2021

  • 用 Transformer 进行的多目标追踪的对比学习

    通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

    Nov, 2023

  • 级联 DETR：深入高质量的通用目标检测

    我们引入了 Cascade-DETR 用于高质量的通用目标检测，通过提出级联注意力层来共同解决对多样领域的泛化和定位准确性问题，通过限制关注先前的目标框预测来显式地将对象中心信息集成到检测解码器中。为了进一步提高准确性，我们重新审视了查询的评分，不依赖于分类分数，而是预测查询的预期 IoU，从而显著提高了置信度的校准性，最后，我们引入了一个包含来自多个领域的 10 个数据集的通用目标检测基准，UDB10，在 COCO 上也取得了最新的进展，Cascade-DETR 在 UDB10 的所有数据集上都对基于 DETR 的检测器有了显著的改进，有些甚至超过 10 个 mAP，严格质量要求下的改进效果更加显著。

    Jul, 2023

  • 解耦 DETR 用于少样本目标检测

    本文提出了一种改进的 FSOD 模型来解决样本不均衡和特征传播不足的问题，通过解耦基类和少样本类的参数以及引入编码器和解码器之间的跳跃连接，构建一个统一解码器模块，能够动态融合解码器的中间层作为输出特征，实验结果显示，在 PASCAL VOC 和 MSCOCO 等常用数据集上，我们的模型在微调和元学习范式中稳定提升了 5% 到 10%，并且超过了近期工作的最高得分。

    Nov, 2023