- 语义增强的少样本目标检测
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。
- 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
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。
- AirShot:用于自主探测的高效少样本检测
通过充分利用有价值的相关性图,AirShot 提出了一种更稳健、更快速的少样本物体检测系统,通过选择排名靠前的类别,降低计算成本,同时在各种现成模型上表现出普遍有效性和高效性,在 COCO2017、VOC2014 和 SubT 数据集上进行 - 少样本目标检测:研究进展与挑战
本文回顾了近年来少样本目标检测(FSOD)领域的重要进展,总结了现有挑战和解决方案,通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法,得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述,并讨论了这些算法的优点和 - 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 - 稳定性可塑性解耦微调:用于少样本端到端目标检测
本文通过引入附加的可塑性分类器微调(PCF)阶段和多源集成(ME)技术,提出了一个新的三阶段微调方案,用于缓解稀疏 R-CNN 端到端目标检测器中的稳定性 - 可塑性矛盾问题,并进一步增强模型的泛化能力。大量实验证明我们的方法在规范化稀疏 - AAAI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。
- GRSDet: 学习生成少样本目标检测的局部反例
我们提出了一种适应性调整新类别分布的生成局部反转样本(LRSamples)的方法,以学习更有辨别力的少样本目标检测。通过中心校准方差增强(CCVA)模块和特征密度边界优化(FDBO)模块,我们的方法在 Pascal VOC 和 MS COC - 重新审视视觉语言模型下的少样本目标检测
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。
- TIDE: 测试时间的少样本物体检测
通过引入非对称架构来学习一个支持实例引导的动态类别分类器,进一步提供交叉注意力模块和多尺度调整器以增强模型性能,从而显著优于现有的多个少样本目标检测方法。
- 解耦 DETR 用于少样本目标检测
本文提出了一种改进的 FSOD 模型来解决样本不均衡和特征传播不足的问题,通过解耦基类和少样本类的参数以及引入编码器和解码器之间的跳跃连接,构建一个统一解码器模块,能够动态融合解码器的中间层作为输出特征,实验结果显示,在 PASCAL VO - 借助图像 - 语言相似性的重新打分方法用于小样本目标检测
利用 Contrastive Language-Image Pre-training (CLIP) 和 hard negative classification loss,在少数据环境下通过 Re-scoring using Image-l - 稀缺数据环境下航拍图像中的目标检测
本文通过在航拍图像中对现有少样本目标检测方法进行深入分析,发现自然图像和航拍图像之间存在较大的性能差距,导致的原因是航拍图像中小物体的数量较多。因此,本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能,并提出了一种自 - 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。
- ECEA: 可扩展的共存注意力模型在少样本目标检测中的应用
我们提出了一种扩展的共存注意力(ECEA)模块,通过学习局部部分进行推理,从而能够帮助少样本目标检测模型在扩展局部区域到共存区域时快速适应,从而优于现有的少样本目标检测方法,并在 PASCAL VOC 和 COCO 数据集上实现了新的技术水 - 借助最优输运的合成特征进行少样本目标检测
通过训练生成器来捕捉基础数据集的数据变化,并将其转化为新类别的合成数据,以实现少样本目标检测。通过使用最优输送损失训练生成器,最小化真实数据和合成数据之间的最优输送距离,我们提出的方法在两个基准数据集上显示出优越的性能。
- 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 - 重新思考小目标检测在少样本环境中的交并比
在少样本目标检测领域中,使用 SIoU 作为评估标准可以构建更加用户导向的模型,在小物体检测方面表现优秀,并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。
- CVPR元调节损失函数和数据增强用于少样本目标检测
本研究旨在提出一种新的训练机制,从元学习的角度调整损失函数和数据增强的动态,以实现在少量样本下精准检测物体的目标,实验结果显示,在 Pascal VOC 和 MS-COCO 数据集上,该方法相较于基于 fine-tuning 和元学习的现有 - 提高少样本目标检测的新类别识别
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。