类别增量式少样本目标检测
本文中,我们提出了一种简单的基于微调的方法,iFSD 的增量两阶段微调方法(iTFA),用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。
Feb, 2023
提出了 OpeN-ended Centre nEt (ONCE) 目标检测器,旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景,并元学习一种适用于注册新类的类特定代码生成器模型,实现了对具有少数样本的新类对象进行学习的目标检测。
Mar, 2020
本研究提出一种用于解决 few-shot class incremental learning(FSCIL)问题的蒸馏算法,该算法利用语义信息进行训练,同时提出基于注意机制的方法来对齐视觉和语义向量,从而有效降低了灾难性遗忘的影响,并成功地在 MiniImageNet、CUB200 和 CIFAR100 数据集上创下了新的最优结果。
Mar, 2021
该研究探讨了在遥感图像中的增量式小样本目标检测任务,并介绍了一种名为 InfRS 的创新微调技术,以便在保持基类性能的同时,利用有限的示例进行增量学习,并生成代表数据固有特征的类别原型,进而解决遥感图像中的增量式小样本目标检测问题。
May, 2024
该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习,并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题,实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。
Apr, 2020
本文从方法学、性能、应用等多个角度全面分析了最新的 few-shot class-incremental learning(FSCIL)的进展,包括理论研究、性能评估和应用案例,针对当前存在的数据实时性差、忘记之前学习内容、过拟合等问题,提出了一种划分方法,将 FSCIL 分成了传统机器学习方法、元学习方法、特征和特征空间方法、重放方法和动态网络结构方法等五个子领域,并介绍了该领域在计算机视觉、自然语言处理和图像处理等多个方面的应用及未来的研究方向。
Apr, 2023
本研究提出基于元学习的 LearnIng Multi-phase Incremental Tasks (LIMIT) 方法,合成假的 Few-shot Class-Incremental Learning 任务来建立分类特征空间,并基于 Transformer 构建校准模块,实现新类别的适应和对旧类别的防遗忘,该方法在多个数据集上实现了最好表现。
Mar, 2022
本文提出了第一个无需访问基础图像的数据自由知识蒸馏(DFKD)方法,通过利用基模型的 RoI 特征统计信息来伪造实例级特征来协助 G-FSOD,从而显著减少底层内存要求并提高 G-FSOD 在 MS-COCO 和 PASCAL-VOC 基准测试中的表现。
Mar, 2023
通过提出一种高效的预训练迁移框架(PTF)基准线,采用 “知识传承”(KI)初始化程序来可靠地初始化盒子分类器的新权重,有效促进知识传递过程,并提高适应速度,该方法不仅在三个公共基准测试中取得了 SOTA 的结果,即 PASCAL VOC,COCO 和 LVIS,而且在少样本迁移过程中,在 COCO / LVIS 基准测试中比其他方法的适应速度快 1.8-100 倍,是第一个在 FSOD 中考虑效率问题的研究。
Mar, 2022
本文介绍了使用少量的视觉示例逐步训练机器人识别不同物体类别的实用系统,并在表格整理任务中演示了该系统的能力。实验评估表明,我们的方法几乎可以达到一次性使用所有示例(批量训练)训练的系统的性能水平。
Jul, 2020