May, 2023

面向长尾目标检测的实例感知重复因子采样

PDF
TL;DR提出了一种简单但有效的方法 —— 实例感知重复因素采样（IRFS），该方法可以通过将实例计数和图像计数统一来增强长尾数据集中罕见类别目标检测模型的泛化性能，并在多种架构和骨干网络上展示出显著的改进效果，是一种强大的基准模型。
instance-aware repeat factor samplingimbalanced datalong-tailed object detectiongeneralization performancelvis v1.0 benchmark dataset
发现论文，激发创造
  • 图像级或对象级？两种重采样策略在长尾检测中的比较

    该研究针对长尾分布数据集的检测问题，引入了基于对象中心的记忆重放策略，采用动态的场景式记忆库来实现对象级别重新采样，进而实现图像级别和对象级别的联合采样策略，提出的方法在 LVIS v0.5 上超过当前长尾检测和分割方法的状态。

    Apr, 2021

  • 探索长尾目标检测中的分类平衡

    本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

    Aug, 2021

  • InfRS：遥感图像中的增量式少样本目标检测

    该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

    May, 2024

  • 频率感知的自监督长尾学习

    无监督学习与长尾分布数据的关联，用于产生具有辨别力的特征表示，以解决数据不平衡问题。

    Sep, 2023

  • 长尾实例分割的特征增强和采样调整（FASA）

    我们提出了一种名为 FASA（Feature Augmentation and Sampling Adaptation）的方法，通过对稀有类别的特征空间进行增强以解决数据稀缺问题，该方法适用于标准或长尾分割框架，并可适用于其他任务，如长尾分类。

    Feb, 2021

  • 基于有效样本数的类别平衡损失

    研究长尾数据在机器学习任务中的问题，并提出了使用 “有效样本数” 改进重新权重计算的类平衡损失方法来提高对长尾数据集的训练效果。在人工合成的长尾 CIFAR 数据集和大规模数据集 ImageNet 和 iNaturalist 上进行了全面的实验，并证明该方法能够显著提高长尾数据集上的网络表现。

    Jan, 2019

  • 寻找遥感监督关系抽取的有影响力实例

    本文提出了一种基于影响函数 (IF) 的关系抽取 (RE) 远程监督 (DS) 方法，即 REIF，通过识别利于 / 不利于实例以进行动态实例抽样。实验表明，REIF 可以支持可解释的实例选择，并在简单架构上战胜了一系列复杂的基线模型，并且我们设计了一种快速影响采样算法，从而提高了计算复杂度和稳健性。

    Sep, 2020

  • 高维小样本分类的随机森林差异性

    使用经学习的预计算支持向量机核函数的随机森林相似度度量，我们通过对 40 个高维低样本量分类数据集进行实验证明了该方法在大多数高维低样本量问题上优于现有方法，并且在低维非高维低样本量问题上仍然具有很强的竞争力。

    Oct, 2023

  • 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

  • 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