提出了一种基于语义可分离扩散合成器框架的零样本食物检测方法,其通过学习复杂食物属性的语义表征并通过增强的语义信息合成辨别性食物特征。通过生成多样化的区域特征,通过细粒度的综合特征提高零样本食物检测性能。在两个食物数据集上展示了该方法在零样本食物检测上的最新性能。
Oct, 2023
ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架,它通过引入显式的语义指导和对比学习机制,来优化模型对未见过类别的认知,同时改善视觉特征结构以实现更好的视觉 - 语义对齐。
Sep, 2021
本研究提出了一种基于任务的特征生成方法,即任务感知特征合成,通过使用语义复合性生成图像特征分布,用于零样本学习中的模型概括,并在三个零样本组合学习基准测试中建立了新的技术水平。
Jun, 2019
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
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
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
该研究提出了一种新的零样本学习框架,并基于 Unseen Visual Data Synthesis 算法,利用语义属性有效地合成未见过的视觉特征,以解决实际应用中缺乏带标注样本的问题,并证实其能够显著提高现有技术水平。
May, 2017
研究零样本物体检测的核心挑战,以设计了一个含有内类语义分歧组件和类间结构保持组件的框架,展示了新型方法在 PASCAL VOC、COCO 和 DIOR 数据集上实现了最先进的性能,并首次在遥感影像中达到了零样本物体检测的研究。
Jan, 2022
本文提出了一种新的针对少样本无监督域自适应(FS-UDA)的任务特定语义特征学习方法(TSECS),以提高图像分类的效果,包括跨域自我训练策略和最小化源和目标域之间高级特征分布的 KL 散度。在 DomainNet 数据集上的实验结果表明,该方法在 FS-UDA 领域取得了明显的性能优势(即 10%)。
Jan, 2023
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