GRSDet: 学习生成少样本目标检测的局部反例

Dec, 2023

GRSDet: 学习生成少样本目标检测的局部反例

GRSDet: Learning to Generate Local Reverse Samples for Few-shot Object Detection

Hefei Mei, Taijin Zhao, Shiyuan Tang, Heqian Qiu, Lanxiao Wang...

TL;DR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。

Abstract

few-shot object detection (FSOD) aims to achieve object detection only using a few novel class training data. Most of the existing methods usually adopt a transfer-learning strategy to construct the novel class d

few-shot object detection transfer-learning strategy local reverse samples center calibration variance augmentation feature density boundary optimization

发现论文，激发创造

细化对比学习的小样本物体检测

通过引入预测组件、改善相似类的区分性以及降低标准差等方式，提出了由精细对比学习和 Resemblance Group 构建的 FSOD 方法，并在 PASCAL VOC 和 COCO 数据集上展示了其优越性。

Nov, 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

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

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

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

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

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

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