Feb, 2024

增强型开放集目标检测的跨领域少样本目标检测

PDF
TL;DR本研究致力于解决跨领域小样本目标检测（CD-FSOD）的挑战，提出了一种准确的对象检测器，用于具有最少标记示例的新领域。通过引入多个指标来量化域差异，并建立具有多样化域度量值的新的 CD-FSOD 基准，对一些最先进的开放式对象检测方法进行评估，结果表明，直接采用开放式检测器进行 CD-FSOD 会导致性能下降。“CD-ViTO” 通过引入多种新颖组件，包括微调、可学习的原型模块和轻量级注意力模块，旨在克服性能降级问题并回答提出的第二个问题。实验证明，我们的 CD-ViTO 在领域外和领域内目标数据集上均取得了令人印象深刻的结果，为 CD-FSOD 和 FSOD 建立了新的 SOTAs。所有数据集、代码和模型将向社区发布。
发现论文，激发创造
  • 多域标准下重新思考少样本目标检测

    本文提出了一个基于多领域的数据集的多领域少样本目标检测（MoFSOD）基准测试，以评估少样本算法的性能，并通过冻结层、不同体系结构和不同预训练数据集等方面的实验结果发现了多个影响少样本目标检测性能的关键因素，并提出了两种算法改进方法，在 MoFSOD 基准测试中实现 SOTA 表现。

    Jul, 2022

  • 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

  • 跨领域多模态少样本目标检测：基于丰富文本

    我们提出了一种多模态小样本物体检测方法，利用丰富的文本语义信息作为辅助模态来实现领域自适应，通过多模态特征聚合模块和丰富的文本语义校正模块增强模型的语言理解能力，实验证明该方法明显优于现有的小样本物体检测方法。

    Mar, 2024

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了 DA-FSOS 的三个基准，并通过广泛的实验验证了 DAFOSNET 的有效性。

    Sep, 2023

  • 少样本检测一切

    本文介绍了 DE-ViT，这是一个使用纯视觉 DINOv2 骨干网络的开放集对象检测器，通过示例图像而不是语言来学习新的类别。为了提高检测能力，我们将多类别分类任务转换为二分类任务，并提出了一种新的区域传播技术来进行定位。在 COCO 和 LVIS 的开放词汇、少样本和一次样本对象检测基准测试中，DE-ViT 的性能超过了 SoTA。

    Sep, 2023

  • AcroFOD：一种跨领域少样本对象检测的自适应方法

    本文提出一种新方法以应对跨域少样本目标检测面临的数据不足及误导等问题，该方法由自适应优化策略与多层次领域感知数据增强两部分构成，最终在多个基准测试中取得最优表现。

    Sep, 2022

  • 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

  • 重新审视视觉语言模型下的少样本目标检测

    本论文提出了一种基于少样本目标检测的新的评估协议，旨在在任何外部数据集上预训练和微调检测器，并且通过利用联合学习策略，改进了现有方法，并在 LVIS 和 nuImages 上获得 5.9 个 AP 的提升。

    Dec, 2023

  • 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

  • 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