Jul, 2024

用于高效少样本个性化目标检测的跨架构辅助特征空间转换

PDF
TL;DR我们设计了一种称为 AuXFT 的少样本 IPOD 策略，通过引入一种条件粗粒度到细粒度的少样本学习器，改善了现有的对象检测器的个性化效果，同时通过 Translator 模块生成辅助特征空间，实现了个性化而不降低检测器的性能。我们在三个公开数据集和一个自行设计的 IPOD 基准测试集上验证了 AuXFT，在所有考虑的情境中都取得了显著的增益，实现了极佳的时间复杂度和性能的权衡：AuXFT 在仅占推理时间的 32％、VRAM 的 13％和模型尺寸的 19％的情况下达到其上限的 80％性能。
object detectionpersonalizedfew-shot ipodcoarse-to-fine learnerauxft
发现论文，激发创造
  • 简单微调方法下的增量式少样本目标检测

    本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

    Feb, 2023

  • 通过神经实例特征锻造减轻广义少样本物体检测中的遗忘问题

    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

  • 语义对齐融合 transformer 用于一阶段物体检测

    研究了在数据稀缺的情况下，单次目标检测的问题，提出了一个效果良好的基于注意力机制的框架，名为 Semantic-aligned Fusion Transformer (SaFT)，采用竖直和水平融合模块实现跨尺度和跨样本特征的融合，通过语义对齐的注意力机制大幅提高性能，使得基于目前现有的数据训练的一阶段的检测基线的性能得到了显著提升。

    Mar, 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

  • IPOD: 点云强化点型物体探测器

    本文提出了一种基于点云的新型三维物体检测框架 IPOD，使用每个点作为基本部件提供了高召回率和高信息保真度，设计了一种全尺寸可训练的架构，在 KITTI 数据集上取得了最新的最好表现，特别是在 hard set 上显示出极大的优势，可用于三维、俯视图和二维物体检测。

    Dec, 2018

  • 知识继承下的高效少样本目标检测

    通过提出一种高效的预训练迁移框架（PTF）基准线，采用 “知识传承”（KI）初始化程序来可靠地初始化盒子分类器的新权重，有效促进知识传递过程，并提高适应速度，该方法不仅在三个公共基准测试中取得了 SOTA 的结果，即 PASCAL VOC，COCO 和 LVIS，而且在少样本迁移过程中，在 COCO / LVIS 基准测试中比其他方法的适应速度快 1.8-100 倍，是第一个在 FSOD 中考虑效率问题的研究。

    Mar, 2022

  • 通过精细特征模仿提炼物体检测器

    本文提出了一种基于细粒度特征模拟的知识蒸馏方法，以改善在复杂的目标检测任务中使用小型学生模型所遇到的性能瓶颈，通过估算目标附近的区域并让学生模型在这些区域上模仿教师模型，使得学生模型在性能表现上提高了 15% 到 74%。

    Jun, 2019

  • 细粒度原型蒸馏用于少样本目标检测

    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

  • 基于联想和区分的小样本物体检测

    该研究提出了一种基于联想和区分的两步式微调框架（FADI），以构建每种新类别的区分特征空间，并在 Pascal VOC 和 MS-COCO 数据集上进行广泛实验，取得了显著的成果。

    Nov, 2021

  • 面向自动驾驶的具有变换对称性的三维物体检测

    在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。

    Nov, 2022