Apr, 2024

高效元学习驱动的轻量级多尺度少样本远程感知图像目标检测

PDF
TL;DR利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。
few-shot object detectionremote sensing imagesmeta-learningone-stage detectordetection accuracy
发现论文，激发创造
  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • InfRS：遥感图像中的增量式少样本目标检测

    该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。

    May, 2024

  • 遥感目标检测与深度学习的相遇：挑战与进展的元回顾

    遥感物体检测是遥感领域中最基本和具有挑战性的任务之一，深度学习技术在近年来展现出强大的特征表示能力，并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果，涵盖了 300 多篇论文。我们在遥感物体检测中确定了五个主要挑战，包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测，并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标，以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。

    Sep, 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