蒙特利尔大学发布2021年最新自监督小样本检测综述

论文：A Survey of Self-Supervised and Few-Shot Object Detection

project

作者：Gabriel Huang, Issam Laradji, David Vazquez, Simon Lacoste-Julien, Pau Rodriguez

机构：Université de Montréal

摘要：标记数据通常是昂贵和耗时的，特别是对于目标检测和实例分割等任务，这需要密集的图像标记。虽然少样本目标检测是关于用很少的数据在新的(看不见的)目标类上训练模型，但它仍然需要在许多标记的基类(见)的示例上进行预训练。另一方面，自监督方法旨在从未标记的数据中学习表示，这些数据可以很好地转移到下游任务，如目标检测。将少样本和自监督目标检测相结合是一个很有前景的研究方向。在这个综述中，我们回顾和描述了最近的方法在少样本和自监督的目标检测。然后，我们给出了主要的结论，并讨论了未来的研究方向。

文中所有目标检测方法分类：

在 PASCAL VOC 和 MS COCO 数据集上的方法结果对比：

在未标注的 ImageNet 上预训练的自监督目标检测方法比较：

---

我们对今年发布的计算机视觉领域的技术综述都进行了汇总和分类盘点，并持续更新在我们的Github。

另外推荐大家关注极市平台公众号，每天都会更新最新的计算机视觉论文解读、综述盘点、调参攻略、面试经验等干货~