Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection

最新推荐文章于 2022-03-10 13:27:08 发布
原创 最新推荐文章于 2022-03-10 13:27:08 发布 · 611 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

该研究针对真实世界数据的长尾分布问题，提出了SRR-FSD方法，结合语义关系和视觉信息，通过动态关系图增强语义嵌入，改善少样本目标检测的准确性。研究中，作者构建了数据驱动的关系图来模拟类别间的语义关系，以减少视觉特征和语义空间的域差异，从而在新类样本有限的情况下，提高目标检测的性能。

题目：Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection

作者：Chenchen Zhu

一、研究动机

真实世界的数据往往服从long-tail分布，因此在进行目标检测时，新样本数据匮乏对性能影响极大。但是，无论数据的可用性如何，新类和基类之间的语义关系都是恒定不变的。

 

二、研究目标

提出了SRR-FSD（Semantic Relation Reasoning Few-Shot Detector ），将语义关系和视觉信息结合起来使用，将显式关系推理引入到新目标检测的学习中，即：

  1. 用语义嵌入表示每个类
  2. 用动态关系图增强语义嵌入
  3. 用分类器将图片表示映射到语义嵌入空间

 

最低0.47元/天 解锁文章
论文阅读《Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection》
薛铁钢的博客
09-22 1916
本文提出一种SRR-FSD算法，尝试在使用视觉信息的同时使用语义关系，并且将显式的关系推理引入到小样本目标检测中。
论文笔记：Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection
好多鱼
04-25 3109
Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection 基于语义关系推理的fsod 虽然few shot的数据量很少，但是基类和novel类之间的语义关系应该是恒定的。在这篇工作中，调查了在使用视觉信息的同时使用语义关系，并且将显式的关系推理引入到fsod中。 具体来说，从大量的文本预料库中学习每个类的语义概念。让检测器把图像的表示投影到特征空间中。此外，还提出使用启发式的关系图来解决原始embedding的问题，并提出用动
CVPR 2021 Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection
smile909的博客
03-26 2750
动机 深度学习算法通常需要大量的标注数据才能获得更好的性能。而大量的标注数据需要收集大量的样本进行标注完成，由于真实世界数据固有的长尾分布，如稀有动物之类的，只有少数样本可用，小样本目标检测是一个迫切而持久的问题。由于小样本目标检测的性能对显性和隐性的样本数量非常敏感，当数据有限时，性能也会急剧下降，很大程度上受到新类数据稀缺的影响。新目标的学习只通过图像，即视觉信息，并且各类之间的学习是独立的，不存在知识传播。然而因为图像数据的稀缺，视觉信息变得有限。但是无论数据的可用性如何，新类和基本类之间的语义关系都
[SRR-FSD] Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection(CVPR. 2021)
Ah丶Weii
08-07 858
[外链图片转存中…(img-7uQh5Zw9-1628130409148)] 1. Motivation few shot 本身存在的意义： In other words, we are unable to alleviate the situation of scarce cases by simply spend- ing more money on annotation even big data is accessible. Therefore, the study of few-shot
【论文翻译】Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection
小张好难瘦的博客
11-19 1915
Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection 论文地址：https://arxiv.org/pdf/2103.01903.pdf 代码地址：无o(╥﹏╥)o tips： 长尾：少数类（头类）占用大部分的数据，而大多数类（尾类）只有少量的数据 摘要 Few-shot object detection is an imperative and longlasting problem due to the
CVPR2021快报！目标检测和语义分割论文分类汇总 | 开放源码
迈微AI研习社 · 号主
03-11 3344
本周开始我将为大家持续分享最新的CVPR2021论文解读，本篇文章收录了目标检测和语义分割的最新论文合集，以最快的形式发送给需要阅读的迈微社友，每篇文章会给出论文链接以及作者开源的代码。
【学术相关】CVPR2021最新接收论文合集！22个方向100+篇论文汇总｜持续更新
fengdu78的博客
03-09 9028
报道丨极市平台导读CVPR2021结果已出，本文为CVPR最新接收论文的资源汇总贴，附有相关文章与代码链接。文章在Github上持续更新，欢迎大家 star/fork（点击阅读原文即可...
论文笔记-Multi-Scale Positive Sample Refinement for Few-Shot Object Detection
Lyndsey的博客
11-28 2176
Hello, 论文阅读计划的第18天啦～ 今天接着前两天的目标识别方向的论文来介绍～ 一、背景 本文主要想解决的问题是有些训练数据并不是非常方便获取，从而导致训练、识别效果不好。 对于物体检测，标记数据相当昂贵，并且一些物体类别的样本甚至难以收集，例如濒危动物或肿瘤病变。这引发了对处理有限训练样本的有效检测器的极大关注。 二、研究内容 & 贡献 本文提出了一种Multi-scale Positive Sample Refinement (MPSR)方法用于few-shot 目标检测，旨在解决其稀疏尺
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
期待黎明的博客
03-15 1万+
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector 数据集参考 1.摘要 传统的目标检测方法通常需要大量的训练数据，而准备这样高质量的训练数据是非常劳动密集的。本文提出了一种新的少镜头目标检测网络，该网络只需少量的标注实例，就可以检测出不可见类的目标。该方法的...
【论文笔记】Frustratingly Simple Few-Shot Object Detection
Neal_YG的博客
03-28 7266
Frustratingly Simple Few-Shot Object Detection https://arxiv.org/abs/2003.06957 https://github.com/ucbdrive/few-shot-object-detection 正在上传…重新上传取消 keywords: FSL、Object detection、fine-turning Pro...
Relation Networks for Object Detection算法笔记
热门推荐
AI之路
06-22 1万+
论文：Relation Networks for Object Detection 论文链接：https://arxiv.org/abs/1711.11575 代码链接：https://github.com/msracver/Relation-Networks-for-Object-Detection 这篇是CVPR2018的oral文章，通过引入object relation module...
小样本图像识别——关系网络（Relation Network）（目前只对Few-Shot进行研究）
KamenRider
07-11 1万+
关系网络 1.论文参考： 《Learning to Compare Relation Network for Few-Shot Learning》论文原文请点击这里 参考代码：https://github.com/floodsung/LearningToCompare_FSL/ 2.问题定义：   首先需要了解三个数据集，training set，support set和testing set。s...
CVPR2021中的目标检测和语义分割论文汇总
idol24的博客
03-13 4810
作者丨Tom Hardy@知乎编辑丨计算机视觉工坊来源丨https://zhuanlan.zhihu.com/p/355137468感慨：知识蒸馏大放异彩~目标检测篇1、Semantic...
AMiner会议论文推荐第五十七期
AI_Conf的博客
03-31 468
AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 CVPR 2021 论文推荐 图像目标检测(Image Object Detection)5篇 【1】Instance Localiza.
CVPR2019目标检测汇总
qq_42278791的博客
07-01 6542
原博：https://mp.weixin.qq.com/s/7Ez9KrX-O1fLNt55MgI7RQ 二阶段算法 1.提出了一种新的边界框回归损失，同时学习边界框变换和定位差异 卡耐基梅隆大学、旷视 Bounding Box Regression with Uncertainty for Accurate Object Detection Yihui He, Chenchen Zhu, Jia...
CVPR2021目标检测方向论文
weixin_36670529的博客
03-10 5196
[1] Distilling Object Detectors via Decoupled Features [2] Positive-Unlabeled Data Purification in the Wild for Object Detection [3] UP-DETR: Unsupervised Pre-training for Object Detection with Transformers paper: https://arxiv.org/abs/2011.09094 [4] I
Learning Disentangled Representation Implicitly via Transformer for Occluded Person Re-Identificatio
qq_37246721的博客
11-13 3774
题目：Learning Disentangled Representation Implicitly via Transformer for Occluded Person Re-Identification 作者：Mengxi Jia 一、研究背景 带有遮挡的行人图片会造成图片匹配时的误对齐。 由于遮挡物类型众多且遮挡的位置不固定，会造成行人外观的巨大变化，带来类内匹配错误；与身体部位外观相似的遮挡物会使学到的特征不准确。 目前主流的应对措施是用额外的语义提示或局部特征进行对齐，然而这些对齐方式对噪声敏感
Part-aware Attention Network for Person Re-Identification
qq_37246721的博客
04-02 1898
题目：Part-aware Attention Network for Person Re-Identification 作者：Wangmeng Xiang 一、要解决的问题(研究动机)： （1）“多层次特征聚合”方法回会忽略不同层次特征图之间的长程联系 （2）基于特征提取的horizon pooling part会引起特征的误对齐 二、研究目标 （1）通过局部特征图与源特征图之间的一致性来计算注意力 （2）将高层局部特征和中间层特征联系起来，通过高层局部特征的引导，从中间层特征图中进行二次信息的生成 三、
CausalVAE
qq_37246721的博客
05-28 1705
题目：CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models（通过结构因果模型实现接纠缠表征学习） 作者：Mengyue Yang 一、研究动机 1.目标概念往往是有因果关联的 2.无监督过程不能保证习得的表征能被识别 二、研究目标 1.习得解纠缠表征 2.实现do操作（干预）和反事实 3.自动习得因果图 三、技术方法 1.通过VAE实现因果解纠缠 （1）Transforming Indepe
Generalized Few-shot Semantic Segmentation
最新发布
09-30
Kang等人在2021年的研究“Relational embedding for few-shot classification”可能为广义少样本语义分割提供了相关的嵌入方法，有助于提升少样本情况下的分类性能，从而可能应用于语义分割任务中，为分割不同语义...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

二苏旧局吖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值