CVPRApr, 2023

元调节损失函数和数据增强用于少样本目标检测

PDF
TL;DR本研究旨在提出一种新的训练机制，从元学习的角度调整损失函数和数据增强的动态，以实现在少量样本下精准检测物体的目标，实验结果显示，在 Pascal VOC 和 MS-COCO 数据集上，该方法相较于基于 fine-tuning 和元学习的现有模型都取得了显著的进展。
发现论文，激发创造
  • 简单扼要的少样本物体检测

    本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

    Mar, 2020

  • 基于元 Dropout 的统一框架用于小样本学习

    本研究提出了一种基于元学习框架的元学习 Few-Shot Learning 方法，其中利用一种简单而有效的元 Dropout 机制，防止神经元在元训练阶段过度协同。实验验证了该方法在目标检测领域的有效性。

    Oct, 2022

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 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

  • 最近几种 Few-Shot 物体检测算法的比较评价

    本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

    Oct, 2021

  • 计算机视觉中的少标注学习：图像分类和目标检测任务应用

    本研究通过理论、算法和实验贡献来研究在标签有限情况下的机器学习，重点关注计算机视觉中的图像分类和目标检测任务，并提出了用于少样本分类中流行的元学习算法的理论与实践之间的联系，以及基于 Transformer 架构的目标检测器在训练过程中如何利用无标签数据的方法。

    Nov, 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

  • 元转移学习用于少样本学习

    本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

    Dec, 2018

  • 元调整的跨域少样本学习

    通过引入迁移学习和元学习以及改进的训练过程包括一阶 MAML 算法和图神经网络模型，本文提出的方法在加上数据增强后，在新的跨领域少样本学习基准上实现了 73.78% 的平均准确度，比既有基准提高了 6.51%。

    May, 2020

  • 少样本图像分类的基准线

    这篇研究论文旨在通过优化跨熵损失训练深度网络，提出一种基准模型来解决 few-shot 学习问题，并通过使用更多的元训练类来提高准确性，同时提出衡量 few-shot 任 务难度的度量标准。

    Sep, 2019