Jul, 2022

Meta-DETR: 利用跨类别相关性的图像级少样本检测

PDF
TL;DR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。
few-shot object detectionmeta-learningcorrelational meta-learningimage-level few-shot detectorknowledge generalization
发现论文，激发创造
  • Meta-DETR: 利用类别内部关联的图像级少样本目标检测

    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

  • 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

  • 元学习的零射界物体检测神经网络：Meta-ZSDETR

    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

  • 少样本物体计数和检测

    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

  • 增强 DETR 收敛和多尺度特征融合的语义对齐匹配

    本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了 DETR 的收敛速度并提高了检测精度，拥有成为现有 DETR 收敛解决方案完美补充的潜力。

    Jul, 2022

  • 具有全局聚合的 DETR 用于跨域弱监督物体检测

    本文提出了 DETR-GA，一种基于 DETR 的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。

    Apr, 2023

  • 用 Transformer 进行的多目标追踪的对比学习

    通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

    Nov, 2023

  • MS-DETR: 使用混合监督实现高效的 DETR 训练

    改进了 DETR 训练效率，通过使用混合的一对一和一对多监督来明确监督候选生成过程，而无需额外的解码器分支或对象查询。

    Jan, 2024

  • DETR 不需要多尺度或局部设计

    本论文介绍了一种改进的 DETR 检测器，它采用了 “简洁” 的设计，使用单尺度特征图和全局交叉注意力计算，并没有特定的局部约束，与之前基于 DETR 的主要检测器相比，没有重新引入多尺度和局部性的架构偏好。我们展示了两种简单的技术在简洁设计中的出人意料的有效性，以弥补多尺度特征图和局部性约束缺失的问题。第一种是将盒子到像素相对位置偏差（BoxRPB）项添加到交叉注意力公式中，它很好地指导每个查询与对应的对象区域相互关注，并提供了编码灵活性。第二种是基于遮蔽图像模型（MIM）的骨干预训练，有助于学习具有细粒度定位能力的表示，并且对于补救对多尺度特征图的依赖是至关重要的。通过结合这些技术和最新的训练方法和问题形成策略，改进的 “简洁” DETR 检测器在原始 DETR 检测器的基础上取得了显著的改进。通过利用 Object365 数据集进行预训练，使用 Swin-L 骨干网络达到了 63.9 的平均精度（mAP），与依赖于多尺度特征图和基于区域的特征提取的最先进的检测器性能相媲美。代码在此 https URL 中提供。

    Aug, 2023

  • 稀疏半 DETR: 稀疏可学习的查询用于半监督物体检测

    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