- 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。
- CVPRDiGeo: 基于几何感知的判别式学习进行广义少样本目标检测
DiGeo 通过学习基于几何意义的特征来增强少样本目标检测的鲁棒性,并成功地实现了对新类别的泛化,同时不影响对已知类别的检测精度。
- AAAIBreaking Immutable: 紧密耦合信息的原型展开用于少样本目标检测
本文提出了一种信息耦合的样本原型扩展 (ICPE) 方法,该方法可以灵活地为每个查询图像生成特定和刻画性的原型。ICPE 包括一个条件信息耦合模块和一个原型动态聚合模块,前者可以增强检测器中支持模块中的知觉信息,后者可以动态调整原型向量的聚 - 细化对比学习的小样本物体检测
通过引入预测组件、改善相似类的区分性以及降低标准差等方式,提出了由精细对比学习和 Resemblance Group 构建的 FSOD 方法,并在 PASCAL VOC 和 COCO 数据集上展示了其优越性。
- ECCV时空反演扩散张量转换器:一种新的少样本目标检测范式
本文提出使用高阶张量表示和 Transformer 技术来解决 Few-shot Object Detection 中存在的平均池化信息损失和位置信息丢失的问题,并在 PASCAL VOC,FSOD 和 COCO 数据集上取得了最好的结果。
- 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 - FS-DETR: 带提示且无需重新训练的少样本检测变压器
本文介绍了首个可以解决 Few-Shot Object Detection 中 (a) 和 (b) 两个要求的简单而强大的 Few-Shot Detection Transformer (FS-DETR) 系统,该系统在测试时使用提供的视觉 - MM层次化少样本目标检测:问题、基准和方法
本文提出了一个名为 Hi-FSOD 的新问题,旨在在 FSOD 范式中检测具有分层类别的对象,并在 Hi-FSOD-Bird 基准数据集上使用 Hierarchical Contrastive Learning 方法及概率损失训练模型,优于 - Meta-DETR: 利用跨类别相关性的图像级少样本检测
本文介绍的 Meta-DETR 是一种基于元学习的图像级 few-shot 目标检测器,其挖掘了不同类别之间的相关性进行学习,避免低质量的区域提议问题,取得了很好的检测精度。
- ECCV基新共通性的多方面蒸馏,用于少样本目标检测
提出了一种基于记忆库的统一蒸馏框架,显式地学习了基类和新类之间的三种类不可知共性,显著提高少样本目标检测的性能。
- ECCV多域标准下重新思考少样本目标检测
本文提出了一个基于多领域的数据集的多领域少样本目标检测(MoFSOD)基准测试,以评估少样本算法的性能,并通过冻结层、不同体系结构和不同预训练数据集等方面的实验结果发现了多个影响少样本目标检测性能的关键因素,并提出了两种算法改进方法,在 M - ECCV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。
- CFA:基于约束的微调方法用于泛化小样本目标检测
通过约束微调方法(CFA)和基于平均梯度情景记忆(A-GEM)的连续学习方法,我们提出了一种深度学习算法,名为 G-FSOD,用于在有限数据情况下检测新类别的对象,避免了严重的遗忘问题,实现针对测试任务的更佳知识交换。
- CVPR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 - 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, - ICCV具有异构图卷积网络的查询自适应少样本目标检测
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 - CVPR标记、验证、纠正:一种简单的少样本目标检测方法
该论文介绍了一种用于少量数据情况下目标检测的伪标注方法,可以从训练数据中找到高质量伪标注,显著增加训练实例数量,降低类别不平衡问题,通过验证技术和训练一个专门的模型来纠正盒子边框的质量,其中展示了算法在 PASCAL VOC 和 MS-CO - 最近几种 Few-Shot 物体检测算法的比较评价
本研究综述了少样本物体检测的现有成果及未来展望,提出了基于数据的训练分类法和相应监督的形式,并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查,最后总结了少样本目标检测的现状以及未来的研究方向。
- 自监督和少样本目标检测综述
本文综述了近期研究的少样本和自监督目标检测方法,并提出了研究中的主要收获和未来方向。
- 通过关注每个样本原型来实现小样本物体检测
本论文提出了一个基于元学习的方法用于 few-shot 目标检测,通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。