AAAIJan, 2024

细粒度原型蒸馏用于少样本目标检测

PDF
TL;DR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。
few-shot object detectionmeta-learningsupport branchfine-grained prototypeshigh-level feature fusion
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

  • Few-Shot 目标检测的通用原型增强

    本文提出了一种基于全局原型的少样本目标检测框架，通过增强对象特征以及标准化不同目标类型的特征，能够有效地提高目标检测的性能。

    Mar, 2021

  • 语义增强的少样本目标检测

    提出了一个使用语义嵌入进行精细调整的少样本目标检测框架，通过使用语义相似性分类器，多模态特征融合和语义感知最大边界损失，解决了现有方法在极低样本场景中对新类别存在的分类混淆和性能下降问题。

    Jun, 2024

  • 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

  • 具有异构图卷积网络的查询自适应少样本目标检测

    本文提出了一种使用异构图卷积网络的新颖 FSOD 模型，通过三种不同类型的边在所有提案和类节点之间进行有效的消息传递，从而获得上下文感知提案特征和查询自适应的多类增强原型表示，这有助于促进成对匹配并提高 FSOD 准确性，在 PASCAL VOC 和 MSCOCO FSOD 基准测试中，我们的模型 QA-FewDet 在不同的拍摄数和评估指标下优于现有的最先进方法。

    Dec, 2021

  • 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

  • 通过关注每个样本原型来实现小样本物体检测

    本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

    Sep, 2021

  • 基于元学习的跨模态提示的多模态小样本目标检测

    本文介绍了一种基于多模态少样本学习的目标检测方法，使用视觉样本和分类语义信息来检测目标，通过元学习和提示学习相结合，在不需要微调的情况下建立通用少 / 零样本检测模型，同时引入知识蒸馏来解决针对稀有类别缺乏类名称先验知识的问题，通过在多个少样本数据集上的实验来验证该方法的有效性。

    Apr, 2022

  • 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

  • 道路物体检测的小样本学习

    本篇研究考虑在现实世界中具有类别不平衡的情况下进行 few-shot 目标检测（FSOD）。通过对印度驾驶数据集（IDD）进行实验，同时评估了基于度量学习和元学习的 FSOD 方法在同领域实验和对象样本稀少的实验中的表现。结果显示距离度量学习的方法在新颖的类上表现优于元学习。此外，本研究还证明了在真实世界的开放数据集中扩展目标类别是进行 few-shot 学习研究的有利方式。

    Jan, 2021