ICCVAug, 2021

基于检测器融合的小样本增量式路面目标检测

PDF
TL;DR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。
incremental few-shot learningdeep learningroad object detectiondualfusionindia driving dataset
发现论文，激发创造
  • 道路物体检测的小样本学习

    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。

    Jan, 2021

  • 针对非受限环境的检测模型泛化

    本文研究了基于印度驾驶数据集（IDD）进行物体检测的增量学习问题，提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法，并在 IDD 和 BDD100K 数据集上进行评估。结果表明，在环境领域移位的情况下，我们的领域适应性方法是有效的。

    Sep, 2019

  • 增量式少样本目标检测

    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

  • 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

  • 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

  • 简单微调方法下的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

  • 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

  • 类别增量式少样本目标检测

    本文提出了一种名为 LEAST 的新的模型转移方法，通过减少权重适应、知识蒸馏和基于聚类的样本选择等步骤，实现了在小样本量下增量式学习的目标检测问题中的高效性能。

    May, 2021

  • InfRS：遥感图像中的增量式少样本目标检测

    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

  • 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