FS-DETR: 带提示且无需重新训练的少样本检测变压器

Oct, 2022

FS-DETR: 带提示且无需重新训练的少样本检测变压器

FS-DETR: Few-Shot DEtection TRansformer with prompting and without re-training

Adrian Bulat, Ricardo Guerrero, Brais Martinez, Georgios Tzimiropoulos

TL;DR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。

Abstract

This paper is on few-shot object detection (FSOD), where given a few templates (examples) depicting a novel class (not seen during training), the goal is to detect all of its occurrences within a set of images. From a practical perspective, an FSOD system must fulfil the following desi

few-shot object detection fs-detr visual prompts pseudo-class embeddings state-of-the-art

发现论文，激发创造

解耦 DETR 用于少样本目标检测

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

基于全交叉变换器的小样本目标检测

本文提出了一种新的基于 Fully Cross-Transformer 的模型 (FCT) 实现 few-shot 目标检测，通过在特征 backbone 和检测头中结合跨模块交互 attention，提高模型中不同表示层之间的相似性学习以达到更好的性能。在 PASCAL VOC 和 MSCOCO FSOD 基准测试上的实验验证了该模型的有效性。

Mar, 2022

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

针对区分度和可迁移性的一阶段少样本目标检测器

提出了 Few-shot RetinaNet (FSRN) 算法，该算法解决了传统单级 FSOD 算法性能较弱的问题，主要是通过在损失函数中增加前景样本并使用广阔的感受野和增强转移技术来提高判别能力和可转移性，比两级 FSOD 算法快近两倍且性能更优。

Oct, 2022

增强的少样本目标检测的改进区域建议网络

我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

Aug, 2023

Semi-DETR: 基于检测 Transformer 的半监督目标检测

我们提出了 Semi-DETR，一个基于 transformer 的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题，并在 COCO 和 Pascal VOC 基准数据集上的所有 SSOD 设置中进行的实验表明，我们的方法优于所有现有方法。

Jul, 2023

使用 Transformer 进行端到端的目标检测

该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

May, 2020

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

遥感中的小样本目标检测：解除不完全注释的新颖目标的诅咒

提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023

提高少样本目标检测的新类别识别

利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

Mar, 2023