Apr, 2022

CFA：基于约束的微调方法用于泛化小样本目标检测

PDF
TL;DR通过约束微调方法（CFA）和基于平均梯度情景记忆（A-GEM）的连续学习方法，我们提出了一种深度学习算法，名为 G-FSOD，用于在有限数据情况下检测新类别的对象，避免了严重的遗忘问题，实现针对测试任务的更佳知识交换。
few-shot object detectiongeneralized few-shot object detectioncontinual learningcatastrophic forgettingms-coco
发现论文，激发创造
  • 通过神经实例特征锻造减轻广义少样本物体检测中的遗忘问题

    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

  • 稳定性可塑性解耦微调：用于少样本端到端目标检测

    本文通过引入附加的可塑性分类器微调（PCF）阶段和多源集成（ME）技术，提出了一个新的三阶段微调方案，用于缓解稀疏 R-CNN 端到端目标检测器中的稳定性 - 可塑性矛盾问题，并进一步增强模型的泛化能力。大量实验证明我们的方法在规范化稀疏 R-CNN 中有效，优于先前的 FSOD 基准方法。

    Jan, 2024

  • 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

  • 重新审视视觉语言模型下的少样本目标检测

    本论文提出了一种基于少样本目标检测的新的评估协议，旨在在任何外部数据集上预训练和微调检测器，并且通过利用联合学习策略，改进了现有方法，并在 LVIS 和 nuImages 上获得 5.9 个 AP 的提升。

    Dec, 2023

  • 具有异构图卷积网络的查询自适应少样本目标检测

    本文提出了一种使用异构图卷积网络的新颖 FSOD 模型，通过三种不同类型的边在所有提案和类节点之间进行有效的消息传递，从而获得上下文感知提案特征和查询自适应的多类增强原型表示，这有助于促进成对匹配并提高 FSOD 准确性，在 PASCAL VOC 和 MSCOCO FSOD 基准测试中，我们的模型 QA-FewDet 在不同的拍摄数和评估指标下优于现有的最先进方法。

    Dec, 2021

  • 细粒度原型蒸馏用于少样本目标检测

    我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

    Jan, 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

  • 遥感图像中基于显著对比学习的少样本目标检测

    通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块，以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本，并增强模型学习未见类别的区分特征的能力。在 DOTA 和 HRSC2016 数据集上进行了全面实验，我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。

    Mar, 2024

  • GRSDet: 学习生成少样本目标检测的局部反例

    我们提出了一种适应性调整新类别分布的生成局部反转样本（LRSamples）的方法，以学习更有辨别力的少样本目标检测。通过中心校准方差增强（CCVA）模块和特征密度边界优化（FDBO）模块，我们的方法在 Pascal VOC 和 MS COCO 数据集上基于 DeFRCN 和 MFDC 基线取得了持续改进。

    Dec, 2023

  • 细化对比学习的小样本物体检测

    通过引入预测组件、改善相似类的区分性以及降低标准差等方式，提出了由精细对比学习和 Resemblance Group 构建的 FSOD 方法，并在 PASCAL VOC 和 COCO 数据集上展示了其优越性。

    Nov, 2022