Faster OreFSDet：一种轻量级有效的用于矿石图像的少样本物体检测器

May, 2023

Faster OreFSDet：一种轻量级有效的用于矿石图像的少样本物体检测器

Faster OreFSDet : A Lightweight and Effective Few-shot Object Detector for Ore Images

Yang Zhang, Le Cheng, Yuting Peng, Chengming Xu, Yanwei Fu...

TL;DR本文提出了一种轻量级有效的少样本探测器来实现在含有黄金图片样本时与一般目标探测相竞争的性能，其中支持特征挖掘块刻画了支持特征中的位置信息的重要性，关系指导块充分利用支持特征引导准确候选区提取，双尺度语义聚合模块检索不同分辨率的详细特征以对预测过程做出贡献。该方法在所有指标上均持续超过现有的少样本探测器，并在模型大小上达到 19MB 的最小值，以及与普通目标探测器相竞争的 50 FPS 探测速度。

Abstract

For the ore particle size detection, obtaining a sizable amount of high-quality ore labeled data is time-consuming and expensive. General object detection methods often suffer from severe over-fitting with scarce labeled data. Despite their ability to eliminate over-fitting, existing few-shot object detectors encounter drawbacks such as slow detection speed

few-shot detector ore particle detection support feature mining relationship guidance block dual-scale semantic aggregation

发现论文，激发创造

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

基于盒子监督方法的矿石图像纹理高效分割

提供了一种具有纹理特征的有效的箱式监督技术用于矿石图像分割，该技术能够识别完整和独立的矿石，并通过使用 Ghost-FPN，优化的检测头以及融合特征相似性损失函数来提高准确性。这种方法在矿石图像数据集上保持了高水平的准确性。

Nov, 2023

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

增量式少样本目标检测

提出了 OpeN-ended Centre nEt (ONCE) 目标检测器，旨在解决增量、少样本类别检测问题。通过将 CentreNet 检测器优雅地适应到少样本学习场景，并元学习一种适用于注册新类的类特定代码生成器模型，实现了对具有少数样本的新类对象进行学习的目标检测。

Mar, 2020

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

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

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

遥感图像中基于显著对比学习的少样本目标检测

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

特征融合 SSD：小物体快速检测

本论文提出了一种针对小目标检测的实时多层次特征融合方法，与基线 SSD 相比，在保证检测速度的同时，在某些小目标类别上提高了 2-3 个点的检测精度，尤其是使用了合并和元素加和两种特征融合模块，其测试速度分别为 43 和 40 FPS。

Sep, 2017

高效元学习驱动的轻量级多尺度少样本远程感知图像目标检测

利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

Apr, 2024