稳定性可塑性解耦微调：用于少样本端到端目标检测

Jan, 2024

稳定性可塑性解耦微调：用于少样本端到端目标检测

Stability Plasticity Decoupled Fine-tuning For Few-shot end-to-end Object Detection

Yuantao Yin, Ping Yin

TL;DR本文通过引入附加的可塑性分类器微调（PCF）阶段和多源集成（ME）技术，提出了一个新的三阶段微调方案，用于缓解稀疏 R-CNN 端到端目标检测器中的稳定性 - 可塑性矛盾问题，并进一步增强模型的泛化能力。大量实验证明我们的方法在规范化稀疏 R-CNN 中有效，优于先前的 FSOD 基准方法。

Abstract

few-shot object detection(FSOD) aims to design methods to adapt object detectors efficiently with only few annotated samples. fine-tuning has been shown to be an effective and practical approach. However, previou

few-shot object detection fine-tuning stability-plasticity contradiction end-to-end object detector multi-source ensemble

发现论文，激发创造

CFA：基于约束的微调方法用于泛化小样本目标检测

通过约束微调方法（CFA）和基于平均梯度情景记忆（A-GEM）的连续学习方法，我们提出了一种深度学习算法，名为 G-FSOD，用于在有限数据情况下检测新类别的对象，避免了严重的遗忘问题，实现针对测试任务的更佳知识交换。

Apr, 2022

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

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

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

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

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

解耦 DETR 用于少样本目标检测

本文提出了一种改进的 FSOD 模型来解决样本不均衡和特征传播不足的问题，通过解耦基类和少样本类的参数以及引入编码器和解码器之间的跳跃连接，构建一个统一解码器模块，能够动态融合解码器的中间层作为输出特征，实验结果显示，在 PASCAL VOC 和 MSCOCO 等常用数据集上，我们的模型在微调和元学习范式中稳定提升了 5% 到 10%，并且超过了近期工作的最高得分。

Nov, 2023

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

基于全交叉变换器的小样本目标检测

本文提出了一种新的基于 Fully Cross-Transformer 的模型 (FCT) 实现 few-shot 目标检测，通过在特征 backbone 和检测头中结合跨模块交互 attention，提高模型中不同表示层之间的相似性学习以达到更好的性能。在 PASCAL VOC 和 MSCOCO FSOD 基准测试上的实验验证了该模型的有效性。

Mar, 2022