CVPRMar, 2023

通过神经实例特征锻造减轻广义少样本物体检测中的遗忘问题

PDF
TL;DR本文提出了第一个无需访问基础图像的数据自由知识蒸馏（DFKD）方法，通过利用基模型的 RoI 特征统计信息来伪造实例级特征来协助 G-FSOD，从而显著减少底层内存要求并提高 G-FSOD 在 MS-COCO 和 PASCAL-VOC 基准测试中的表现。
发现论文，激发创造
  • CFA：基于约束的微调方法用于泛化小样本目标检测

    通过约束微调方法（CFA）和基于平均梯度情景记忆（A-GEM）的连续学习方法，我们提出了一种深度学习算法，名为 G-FSOD，用于在有限数据情况下检测新类别的对象，避免了严重的遗忘问题，实现针对测试任务的更佳知识交换。

    Apr, 2022

  • 细粒度原型蒸馏用于少样本目标检测

    我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

    Jan, 2024

  • GRSDet: 学习生成少样本目标检测的局部反例

    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

  • 知识继承下的高效少样本目标检测

    通过提出一种高效的预训练迁移框架（PTF）基准线，采用 “知识传承”（KI）初始化程序来可靠地初始化盒子分类器的新权重，有效促进知识传递过程，并提高适应速度，该方法不仅在三个公共基准测试中取得了 SOTA 的结果，即 PASCAL VOC，COCO 和 LVIS，而且在少样本迁移过程中，在 COCO / LVIS 基准测试中比其他方法的适应速度快 1.8-100 倍，是第一个在 FSOD 中考虑效率问题的研究。

    Mar, 2022

  • 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

  • 语义增强的少样本目标检测

    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

  • 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

  • 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

  • Few-Shot 目标检测的通用原型增强

    本文提出了一种基于全局原型的少样本目标检测框架，通过增强对象特征以及标准化不同目标类型的特征，能够有效地提高目标检测的性能。

    Mar, 2021

  • 简单微调方法下的增量式少样本目标检测

    本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

    Feb, 2023