语义增强的少样本目标检测
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
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
利用半监督学习技术,通过自动定位和使用未标记的新对象提高少样本目标检测的性能,并通过新的区域建议网络策略提高目标检测模型的感知能力,取得了超过现有最先进方法的性能。
Mar, 2023
本文介绍了一种基于多模态少样本学习的目标检测方法,使用视觉样本和分类语义信息来检测目标,通过元学习和提示学习相结合,在不需要微调的情况下建立通用少 / 零样本检测模型,同时引入知识蒸馏来解决针对稀有类别缺乏类名称先验知识的问题,通过在多个少样本数据集上的实验来验证该方法的有效性。
Apr, 2022
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
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
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
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
本文提出了一种使用异构图卷积网络的新颖 FSOD 模型,通过三种不同类型的边在所有提案和类节点之间进行有效的消息传递,从而获得上下文感知提案特征和查询自适应的多类增强原型表示,这有助于促进成对匹配并提高 FSOD 准确性,在 PASCAL VOC 和 MSCOCO FSOD 基准测试中,我们的模型 QA-FewDet 在不同的拍摄数和评估指标下优于现有的最先进方法。
Dec, 2021