- 博客(5)
- 收藏
- 关注
RSS订阅原创 Few-shot object detection via data augmentation and distribution calibration
在本节中，详细介绍了所提出的方法。基础训练阶段：在此阶段，模型使用基本类别的所有样本实例进行训练，并计算基本类别的特征分布，为后续的漂移补偿做准备。微调阶段首先，利用域感知数据增强来缓解数据稀缺性其次，根据增强样本与新类别样本之间的距离优化增强数据；再次，采用移位补偿策略，确保基本类别的分布移位不会误导新类别的分布；最后，使用分布校准在增强样本和新类别样本上微调模型。所提出的两阶段学习过程的构建如图2所示。对于 Faster R-CNN 模型，首先从每个候选区域提取 ROI 特征。
2024-06-13 19:15:13
959
原创 Few-shot Object Detection via Improved Classification Features
随着少样本目标检测的发展，人们普遍认为分类器的性能是这项任务的主要瓶颈。最近一些工作提出了一些方法来提高FSOD中的分类性能[25, 13]。尽管专注于解决少样本目标检测中的分类问题，但这些新方法忽视了分类器的输入是基于原始提案特征的事实。如果使用原始特征，则可能出现以下问题：空间偏移。在广泛使用的Faster R-CNN架构中，回归器和分类器使用来自RoI-Align特征的相同特征来同时执行回归和分类。
2024-05-30 19:49:23
1745
2
原创 Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training
尽管两阶段目标检测器近年来不断提升了最先进的性能，但其训练过程本身仍然存在问题。在这项工作中，我们首先指出固定的网络设置与动态训练过程之间的一致性问题，这极大地影响了性能。例如，固定的标签分配策略和回归损失函数无法适应提案分布的变化，因此对训练高质量检测器有害。因此，。这种动态设计更好地利用了训练样本，并推动检测器适应更多高质量的样本。具体而言，我们的方法在MS COCO数据集上，相对于ResNet-50-FPN基线，提高了1.9%的AP和5.5%的AP90，且没有增加额外的开销。代码和模型可在获取。
2024-05-29 21:26:10
1649
原创 Few-Shot Object Detection with Sparse Context Transformers
少样本检测是模式识别中的一项重要任务，旨在使用仅有少量标注数据训练的模型来定位目标。少样本方法的主流之一是迁移学习，其过程是在源域中预训练一个检测模型，然后在目标域中对其进行微调。然而，对于微调后的模型来说，有效识别目标域中的新类别是具有挑战性的，特别是当基础标注训练数据稀少时。在本文中，我们设计了一种新颖的稀疏上下文变换器（SCT），该变换器能够有效利用源域中的目标知识，并且自动从目标域中的少量训练图像中学习稀疏上下文。
2024-05-16 21:04:54
2138
2
原创 Identification of Novel Classes for Improving Few-Shot Object Detection
FSOD面临的一个未探索的挑战是，来自未标记的新类别的实例出现在背景中，这些实例不属于固定的训练类别集合。我们具体提出了一种分层三元分类区域建议网络（HTRPN），用于定位潜在的未标记的新对象，并为它们分配新的对象性标签。我们改进的区域建议网络（RPN）的分层采样策略还增强了目标检测模型对大型对象的感知能力。
2024-05-08 20:20:09
823
1
【心理学测评】华为性格测试问卷分析：员工职业性格与行为偏好评估
2025-04-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人