细化对比学习的小样本物体检测
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
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
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
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
本文提出了一种基于监督对比学习的小样本目标检测算法,利用提出的物体与背景对比度来学习物体表示,并通过增强对比密度来提高检测性能,实现了对检测目标的更准确定位和识别。
Mar, 2021
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
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
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
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
本文提出了一个名为 Hi-FSOD 的新问题,旨在在 FSOD 范式中检测具有分层类别的对象,并在 Hi-FSOD-Bird 基准数据集上使用 Hierarchical Contrastive Learning 方法及概率损失训练模型,优于现有 FSOD 方法。
Oct, 2022