基于自我监督学习的增量式少样本物体检测
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
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。
Mar, 2021
使用 DETR 为基础的目标检测器,通过无监督预训练和利用大量未标记数据来提高检测器的性能,采用更丰富、基于语义的初始提议、基于聚类的物体伪标签的判别性训练以及自我训练等三个关键因素,显著提升了 DETR 在完整和低数据情况下的性能,并且证明能够在复杂图像数据集上从头开始预训练,直接实现无监督表示学习。
Jul, 2023
本文介绍了首个可以解决 Few-Shot Object Detection 中 (a) 和 (b) 两个要求的简单而强大的 Few-Shot Detection Transformer (FS-DETR) 系统,该系统在测试时使用提供的视觉模板作为视觉提示,并使用伪类别嵌入预测。实验结果表明此方法比现有方法更加灵活、准确并达到了当前最先进水平。
Oct, 2022
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。
Aug, 2021
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
Sparse Semi-DETR 是一种基于 Transformer 的端到端半监督目标检测解决方案,通过引入查询精化模块和可靠伪标签过滤模块来解决 DETR-based SSOD 框架中对象查询质量不准确和重叠预测的问题,大大提高了对小型和部分遮挡对象的检测能力,并在 MS-COCO 和 Pascal VOC 目标检测基准测试中实现了显著改进。
Apr, 2024
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
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
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