CVPRMay, 2021

无遗忘通用少样本目标检测

PDF
TL;DR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。
few-shot object detectiontransfer learningretentive r-cnnbias-balanced rpnre-detector
发现论文，激发创造
  • 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

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020

  • 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

  • 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

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • 任意次数目标检测

    本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

    Mar, 2020

  • 遥感图像中的少样本目标检测

    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

  • Few-shot 目标检测中负信息恢复

    本研究关注于少样本目标检测的应用，旨在恢复少样本目标检测中缺失信息。通过引入新的正负样本代表和基于度量学习的框架，建立模型以提高状态最优的准确性。

    Oct, 2020

  • 基於特徵重新加權的少樣本物體檢測

    本文提出了一种基于深度卷积神经网络的少样本目标检测方法，通过元特征学习与重新加权模块，快速适应新的物体分类。实验证明该模型在多个数据集和设置上均能显著优于现有少样本检测模型。

    Dec, 2018

  • 简单扼要的少样本物体检测

    本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

    Mar, 2020