- ICCVDeFRCN:用于少样本物体检测的解耦快速 R-CNN
本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构,通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决 - MM基于实例搜索的精准定位
本文使用自适应学习框架,并结合实例搜索,通过逐步挖掘目标实例,即使不知道目标物体的种类,也能够实现准确的目标定位和少样本物体检测,并在两个任务上表现出优越的性能。
- CVPR无遗忘通用少样本目标检测
本文提出 Retentive R-CNN 模型,通过应用传输学习的一些被忽略的优良属性,使用 Bias-Balanced RPN 去除预训练误差和 Re-detector 找出 few-shot 类物体并避免遗忘前面的知识,来实现 few- - 类别增量式少样本目标检测
本文提出了一种名为 LEAST 的新的模型转移方法,通过减少权重适应、知识蒸馏和基于聚类的样本选择等步骤,实现了在小样本量下增量式学习的目标检测问题中的高效性能。
- AAAIMeta Faster R-CNN: 基于注意力特征对齐的精准少样本目标检测
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 - CVPR针对少样本物体检测的上下文感知聚合密集关系蒸馏
本文提出了一种基于 Dense Relation Distillation 和 Context-aware Aggregation 的元学习框架 DCNet,其针对少样本物体目标检测问题,通过充分利用 support feature 和注意 - Meta-DETR: 利用类别内部关联的图像级少样本目标检测
该文研究了 Few-Shot Object Detection 的元学习,提出了一种 Meta-DETR 框架,该框架利用关联聚合和 DETR 检测框架实现元学习,避免使用预测不准的区域建议,提升了知识泛化能力,在多个少样本目标检测基准测试 - CVPRFSCE: 基于对比度提案编码的小样本目标检测
本文提出了一种基于监督对比学习的小样本目标检测算法,利用提出的物体与背景对比度来学习物体表示,并通过增强对比密度来提高检测性能,实现了对检测目标的更准确定位和识别。
- 超出最大间隔:少样本目标检测的类间隔平衡
提出了一种名为类间距平衡,使用简单却有效的类间距丢失方法来优化特征学习,以实现少样本目标检测,通过扰动的新类实例特征, 追求间距平衡,取得了极大的成功。
- CVPR基于语义关系推理的稳定少样本目标检测
通过引入显式关系推理和语义嵌入,利用少量数据探测新颖物体的性能较稳定且鲁棒,相比于显式和隐式样本较少时可以取得明显更好的结果。
- ICCVFew-Shot 目标检测的通用原型增强
本文提出了一种基于全局原型的少样本目标检测框架,通过增强对象特征以及标准化不同目标类型的特征,能够有效地提高目标检测的性能。
- 双意识注意力在少样本目标检测中的应用
利用 Dual-Awareness Attention (DAnA) 机制提出一种能够适应非常规图像输入的 Few-shot object detection 网络,并在不同评估设置下比之前方法显着增加性能。
- 合作式 RPN 改进少样本物体检测
使用多个不同但相互协作的区域建议网络,可以提高在非常少量训练数据的情况下学习检测图像中对象的准确性。
- 基於知識轉移的少樣本物體檢測
本文提出了一种基于少量样本和元学习的物体检测方法,使用原型知识转移和基于图的显式先验知识,验证了该方法在 PASCAL VOC 数据集上的有效性。
- ECCV多尺度正样本精炼在少样本物体检测中的应用
提出了一种多尺度正样本精炼(MPSR)方法,通过生成目标金字塔来丰富 FSOD 的对象尺度,并在不同的尺度上优化预测,将其作为辅助分支集成到 Faster R-CNN with FPN 的流行架构中,该方法在 PASCAL VOC 和 MS - 简单扼要的少样本物体检测
本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法,相较于 meta-learning 的方法,在当前基准测试中精度提升了 2~20 点,甚至有时可以将先前方法的精度提高一倍。
- AAAIContext-Transformer: 解决 Few-Shot 检测中的目标混淆问题
针对少样本目标检测的问题,我们提出了一种基于 Context-Transformer 的深度迁移学习方法,该方法可以巧妙地利用源域目标知识,从少量样本中自动利用上下文信息以提高检测器的区分能力,并在 popular SSD-style 检测 - CVPR注意力 RPN 和多关系检测器的小样本目标检测
本文提出一种新的 few-shot 目标检测网络,使用少量注释的示例检测未见过的物体类别,并通过 Attention-RPN,Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。 - ICCV基於特徵重新加權的少樣本物體檢測
本文提出了一种基于深度卷积神经网络的少样本目标检测方法,通过元特征学习与重新加权模块,快速适应新的物体分类。实验证明该模型在多个数据集和设置上均能显著优于现有少样本检测模型。
- 使用代理进行可扩展的 Logo 识别
本文研究了 logo 识别问题,提出了一种 few-shot 目标检测的解决方案,其中主要包括通用的 logo 检测器和 few-shot logo 识别器,通过最近邻搜索和训练三元损失函数使用代理进行分类,提出了一个新的 2000 个 l