Aug, 2023

增强的少样本目标检测的改进区域建议网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 多尺度正样本精炼在少样本物体检测中的应用

    提出了一种多尺度正样本精炼（MPSR）方法，通过生成目标金字塔来丰富FSOD的对象尺度，并在不同的尺度上优化预测，将其作为辅助分支集成到 Faster R-CNN with FPN 的流行架构中，该方法在PASCAL VOC和MS COCO上取得了最先进的结果和显著的超越了其他对手。

    Jul, 2020

  • 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

  • 少样本视频物体检测

    本篇论文提出了 Few-Shot Video Object Detection (FSVOD) 方法，包括 FSVOD-500 数据集、Tube Proposal Network 和 Temporal Matching Network 两个网络，能显著提升视频物体识别的效果。

    Apr, 2021

  • 标记、验证、纠正: 一种简单的少样本目标检测方法

    该论文介绍了一种用于少量数据情况下目标检测的伪标注方法，可以从训练数据中找到高质量伪标注，显著增加训练实例数量，降低类别不平衡问题，通过验证技术和训练一个专门的模型来纠正盒子边框的质量，其中展示了算法在PASCAL VOC和MS-COCO数据集上的表现，与现有方法相比获得了最优状态或次优状态。

    Dec, 2021

  • 层次化少样本目标检测：问题、基准和方法

    本文提出了一个名为Hi-FSOD的新问题，旨在在FSOD范式中检测具有分层类别的对象，并在Hi-FSOD-Bird基准数据集上使用Hierarchical Contrastive Learning方法及概率损失训练模型，优于现有FSOD方法。

    Oct, 2022

  • 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

  • 提高少样本目标检测的新类别识别

    利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

    Mar, 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

  • 少样本目标检测：研究进展与挑战

    本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的FSOD分类方法和调查丰富的FSOD算法，得出了促进FSOD问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

    Apr, 2024

  • 超越少样本目标检测：详尽调查

    本研究聚焦于解决传统目标检测方法对大量标注数据的依赖，并探讨了少样本目标检测（FSOD）的不同设置。文献综述提供了对多种FSOD方法的全面比较和分析，揭示了其在减少数据需求和提升模型适应能力方面的潜力与挑战。

    Aug, 2024