少样本物体计数和检测
该论文介绍了一种用于少量数据情况下目标检测的伪标注方法,可以从训练数据中找到高质量伪标注,显著增加训练实例数量,降低类别不平衡问题,通过验证技术和训练一个专门的模型来纠正盒子边框的质量,其中展示了算法在 PASCAL VOC 和 MS-COCO 数据集上的表现,与现有方法相比获得了最优状态或次优状态。
Dec, 2021
本文提出了一项名为 Locount 的新任务,即同时进行对象定位和计数,针对此任务,我们收集了一个大规模的对象定位和计数数据集,提供了一个新的评估协议,同时提供了一个被称为级联定位和计数网络的强基线,并在数据集上进行大量实验以证明其重要性和性能。
Mar, 2020
本研究提出了 Counting Transformer (CounTR) 用于实现对任意语义类别的目标进行计数,并采用两阶段的训练策略进行无监督预训练和有监督微调,通过综合评估获得了当前最先进的零样本和少样本计数结果,并使用大规模计数基准进行了彻底的消融研究。
Aug, 2022
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
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
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
本文提出了一种针对少样本目标计数的新型学习模块,其中包括相似性比较模块和特征增强模块,通过得分图,利用支持图像和查询图像来增强查询特征,大大提高了目标计数的精度和效率,成果优于现有最先进技术
Jan, 2022
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
利用文本到图像的潜在扩散模型 (LDMs),本研究介绍了一种无监督的排序方法,通过借助生成的计数数据,对任意类型的对象进行可靠计数,该方法优于其他无监督和少样本方法,不受特定对象类别计数数据的限制。
Mar, 2024