Ma_tx

一、研究背景目标检测任务是对图片中存在的待检测目标进行位置和类别标注。目前深度学习的方法 在目标检测任务上取得了显著的效果，但是基于卷积的深度学习方法需要大量带标签的训练 数据以及很长的训练时间。在现实场景中，对大量数据进行标注是非常耗费资源的，并且大 量收集某些带标签的数据几乎是不可能，比如某些医疗数据。 小样本学习在训练网络时利用少量的带标签的数据，缓解了标注数据不足的问题。目前 小样本学习主要被研究如何解决分类问题，小样本学习在目标检测领域的应用很少被探索。 小样本目标检测任务：给一个新目标的少量带

摘要在这项工作中，我们试图通过提出类别感知域适应的内存引导注意问题(MEGA-CDA)来将类别信息纳入到域适应过程中。该方法包括使用类别感知判别器来确保学习领域不变判别特征的类别感知特征对齐。然而，由于类别信息不可用于目标样本，我们建议生成内存引导的特定类别的注意地图，然后用于将特征适当地路由到相应的类别鉴别器。...

摘要本文的目的是提出专门用于目标检测的自监督预训练模型。 基于分类和检测的内在差异，我们提出了一种新的自监督借口任务，称为实例定位。 图像实例被粘贴在不同的位置和尺度上的背景图像。 借口任务是预测给定组合图像的实例类别以及前景包围框。Introduction1、high-level feature并不是真正重要的转移到检测和分割2、Task misalignment in transfer learning(1）需要将预先训练过的网络重新放入目标网络体系结构中进行细化。 这通常涉及到非平凡的体系

摘要最近的研究表明，良好的特征嵌入是获得良好的学习性能的关键。我们观察到具有不同交并比(IoU)分数的目标候选框类似于对比方法中使用的图像内增强。 我们利用这种类比，并结合监督对比学习，以实现更稳健的对象表示在FSOD。 我们提出了通过对比建议编码(FSCE)进行小样本目标检测，这是一种简单而有效的学习对比感知对象建议编码的方法，它有助于对检测到的目标进行分类。 通过对比建议编码损失(CPE损失)，通过促进实例级的类内紧性和类间方差，缓解了分类错误问题。方法首先使用base 数据集训练一个标准的Fa

我们通过引入两种类型的上下文感知指导模型，即加性模型和对比模型来解决这个问题，这两种模型利用它们周围的上下文区域来改进定位。加性模型鼓励预测的对象区域得到其周围上下文区域的支持。 对比模型鼓励预测的对象区域从其周围的上下文区域中突出。给定提取的ROI作候选区，本文提出两个基本的上下文感知模型，加性模型和对比模型，利用周围的上下文区域来改进候选区；加性模型依赖于语义一致性，它从ROI和上下文中聚合类激活；对比模型依靠语义对比来计算ROI和上下文之间类的激活方法1、Convolutional and

任务：只给出图像目标类别级的标签，不给位置标签。摘要本文的主要思想：背景中包含很多有用的潜在信息，例如天空中的飞机，如果可以学习到这些潜在的信息，就可以减少目标-背景歧义来抑制背景。本文提出了潜在类别学习（latent category learning LCL)，这是一个无监督的学习问题，只给出图像级别的类标签。首先受潜在语义发现的启发，使用典型的概率潜在语义分析（pLSA）去学习潜在的类别，它可以代表目标，目标的一部分或者是背景。其次，为了确定那一个类别包含目标对象，本文提出了一种评估每个类别歧视

在目标检测方法中，基于关键点的方法会检测出大量不正确的边界框，这是由于没有对裁剪区域进行进一步的检查。本文提出了一种有效的解决方案，以最小的成本检测裁剪区域。本框架基于CornerNet，名为CenterNet，用一个三元组来表示一个目标，而不是一对点，提高了精准率和召回率。设计了两个定制的模块，级联corner pooling和center pooling，定制的模块，称为级联角池和中心池，它们分别发挥了丰富左上角和右下角收集的信息和在中心区域提供更可识别的信息的作用。1、anchor base的缺陷