CVPRMar, 2023

DiGeo: 基于几何感知的判别式学习进行广义少样本目标检测

PDF
TL;DRDiGeo 通过学习基于几何意义的特征来增强少样本目标检测的鲁棒性，并成功地实现了对新类别的泛化，同时不影响对已知类别的检测精度。
few-shot object detectiondiscriminative feature learninggeometry-aware featuresadaptive class-specific marginsnovel class generalization
发现论文，激发创造
  • 基于联想和区分的小样本物体检测

    该研究提出了一种基于联想和区分的两步式微调框架（FADI），以构建每种新类别的区分特征空间，并在 Pascal VOC 和 MS-COCO 数据集上进行广泛实验，取得了显著的成果。

    Nov, 2021

  • Few-Shot 分类的空间对比学习

    本文探讨使用反差学习作为辅助训练目标来促进更通用和可转移的特征，在此基础上提出了一种基于注意力的空间反差目标来学习本地区分和类别不可知特征。通过大量实验证明了该方法优于最先进的方法，证实了学习良好、可转移的嵌入在 few-shot 学习中的重要性。

    Dec, 2020

  • 几何约束下的小样本学习

    本篇文章提出了两个几何约束条件，用于将新类别的特征点聚集在类别权重周围，保持其与基础类别权重的差距，从而提取新类别的有区分性特征点，同时保留了基础类别学习的特征空间，最终在 ImageNet 数据集的 few-shot learning 任务中取得了显著优势。

    Mar, 2020

  • 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

    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。

    Mar, 2023

  • 通过几何词汇进行广义的少样本点云分割

    在动态测试环境中，现有的全监督点云分割方法无法应对新出现的类别。为解决这一问题，少样本点云分割算法通过学习适应新类别，但会牺牲对基类别的分割准确性，从而严重影响其实用性。因此，我们首次尝试了更实用的广义少样本点云分割范式，要求模型能够同时推广到用仅有少量支持点云表示的新类别，并保持对基类别的分割能力。我们提出了几何单词来表示基类别和新类别之间共享的几何组件，并将其融入新型几何感知语义表示中，以更好地推广到新类别而不会遗忘旧类别。此外，我们引入几何原型来利用几何先验知识来引导分割。在 S3DIS 和 ScanNet 上进行的大量实验证明了我们方法在基准方法上的卓越性能。

    Sep, 2023

  • 基於特徵重新加權的少樣本物體檢測

    本文提出了一种基于深度卷积神经网络的少样本目标检测方法，通过元特征学习与重新加权模块，快速适应新的物体分类。实验证明该模型在多个数据集和设置上均能显著优于现有少样本检测模型。

    Dec, 2018

  • 几何学方法下的聚类驱动下的 Voronoi 图进行小样本学习

    本文从几何角度研究了少样本学习的问题，并提出了一个基于 Cluster-induced Voronoi Diagram 的方法，用于集成参数和非参数，进行特征表示和代理表示的组合，以及利用几何层次的异质性进行改进。该方法在 mini-ImageNet、CUB 和 tiered-ImagenNet 数据集上创造了新的最优结果，比第二好的结果提高了大约 2%-5%。

    Feb, 2022

  • 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

  • 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

  • 几何感知深度变换

    该文章提出了一种新的深度学习目标公式，在小训练集合的情况下能够使得其学习到的深层网络具有较好的泛化能力，同时介绍了一种基于几何感知的深度转换技术，从而实现了非线性、具有鲁棒性的特征转换，该方法在合成和真实数据方面表现良好，并支持所提出的框架使用 (K,ε)- 鲁棒性分析。

    Sep, 2015