IJCAIMay, 2024

学习空间相似度分布用于小样本目标计数

PDF
TL;DR我们提出了一种网络学习的空间相似度分布 (SSD) 方法，用于少样本目标计数，该方法在保留样本特征的空间结构的同时，计算查询特征与样本特征之间的四维相似度金字塔，从而捕捉了四维相似度空间中每个点的完整分布信息，同时利用相似性金字塔上的高效中心轴四维卷积将不同的相似度分布映射到不同的预测密度值，以获得准确的计数。我们还引入了特征交叉增强 (FCE) 模块来改进查询和样本特征的准确性，该方法在多个数据集上表现优于现有方法，包括 FSC-147 和 CARPK。
few-shot object countingspatial similarity distributionsimilarity learning modulefeature cross enhancementmatching accuracy
发现论文，激发创造
  • 相似性感知特征增强的小样本目标计数

    本文提出了一种针对少样本目标计数的新型学习模块，其中包括相似性比较模块和特征增强模块，通过得分图，利用支持图像和查询图像来增强查询特征，大大提高了目标计数的精度和效率，成果优于现有最先进技术

    Jan, 2022

  • Few-Shot 细粒度图像分类的对象感知长短程空间对齐

    该论文提出了一种物体感知的远近距离空间对齐方法，通过 FOE 模块增强前景物体响应、LSC 模块学习可转移的远距离语义对齐和 SSM 模块对查询特征进行短距离精细对齐，以实现在小样本情况下对罕见细粒度目标的检测和识别。

    Aug, 2021

  • 学习数数

    该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

    Apr, 2021

  • 少样本物体计数和检测

    本文提出了一种新的两阶段训练策略和一种新的基于不确定性感知的少样本对象检测器：Counting-DETR，用于解决少样本目标计数和检测问题，并在两个新数据集上验证了其性能优于强基线模型。

    Jul, 2022

  • 不准确边界框目标检测的空间自我蒸馏

    通过空间自蒸馏对象检测器 (SSD-Det) 以及空间信息和类别信息的结合，利用模糊边界框的监督来改善对象检测，提高注释质量。在 MS-COCO 和 VOC 数据集上的实验证实了该方法的有效性，达到了最新的性能水平。

    Jul, 2023

  • SQLNet：用于少样本类别无关计数的尺度调制查询和定位网络

    通过局部化基础的类别无关计数方法，本研究提出了一种新的基于尺度调节的查询和定位网络（SQLNet），可以准确定位并预测每个目标的大致尺寸，以实现有效的计数；SQLNet 在流行的类别无关计数基准任务上表现优异，不仅在计数准确度上优于最先进的方法，还在定位和边界框生成方面表现出色。

    Nov, 2023

  • 少样本目标定位

    该论文介绍了少样本目标定位 (Few-Shot Object Localization, FSOL) 这一新兴任务，旨在提供精确的目标位置信息。作者提出了一种创新的高性能基准模型，该模型通过整合双路径特征增强模块和自查询模块来增强形状关联和梯度差异，并在 FSOL 任务中取得了显著的性能提升，为进一步研究建立了高效的基准。

    Mar, 2024

  • 重新思考卷积网络对物体计数的空间不变性

    本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在 MCNN，CSRNet，SANet 和 ResNet-50 等 4 个主流对象计数网络上进行了评估，对 3 个应用程序（即人群，车辆和植物计数）的 7 个流行基准进行了广泛的实验，并且实验结果表明我们的方法明显优于其他最先进的方法，实现了有关对象空间位置的有希望的学习。

    Jun, 2022

  • S2SD：深度度量学习中同时基于相似性的自蒸馏

    本文提出了一种名为 S2SD 的新方法，将基于相似性的自我蒸馏应用于 Deep Metric Learning 模型中，通过辅助高维度嵌入和特征空间的知识蒸馏，在保持测试时间成本不变的情况下，实现推理性能的显著提升。实验结果表明，该方法能够有效地提高 Recall@1 指标，同时也创造了新的最优性能记录。

    Sep, 2020

  • FS6D: 对新物体进行少样本 6D 姿态估计

    本文探讨了一种新的开放式少样本目标 6D 姿态估计问题，并提出了一种密集的 RGBD 原型匹配框架，加上深度外观和几何相关性的先验，以及一种在线纹理融合方法，为解决这个问题建立了基准。

    Mar, 2022