论文阅读
文章平均质量分 83
没拖拉机的斯基
分享分享
展开
-
Sparse Spatial Transformers for Few-Shot Learning
一篇将transformer结构融入到小样本学习中的论文原创 2022-07-04 10:55:05 · 782 阅读 · 2 评论 -
Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need
Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need(ECCV)Abstract 目前针对元学习的研究主要集中在设计一个元学习算法,尝试从少量样本中获得样本的元知识,从而将元知识泛化应用到新的任务中。小样本学习是元学习中广泛应用的重要基准(benchmarks)之一。在本文中,作者发现一个性能好的embedding model要比复杂的元学习算法更加高效。所以文章从如何获得较优性能的Embed原创 2021-12-01 10:14:03 · 1786 阅读 · 0 评论 -
开集识别(Open Set Recognition)
开集识别闭集识别 训练集中的类别和测试集中的类别是一致的,最常见的就是使用公开数据集进行训练,所有数据集中的图像的类别都是已知的,没有未知种类的图像。传统的机器学习的算法在这些任务上已经取得了比较好的效果。开集识别简述 现实场景中更多的是开放和非静态的环境,比如,一些没有见过的情况会意外出现。针对这一挑战提出的方法有持续学习、迁移学习、域适应、零样本、少样本学习、开集识别和分类等。 开集识别简单定义是,一个在训练集上训练好的模型,当利用一个测试集(该原创 2021-09-01 14:02:29 · 17054 阅读 · 3 评论 -
Context-Transformer: Tackling Object Confusion for Few-Shot Detection(AAAI20)
Context-Transformer: Tackling Object Confusion for Few-Shot Detection(AAAI20)论文题目: Context-Transformer: Tackling Object Confusion for Few-Shot Detection论文地址:https://arxiv.org/pdf/2003.07304.pdfIntroduction少样本目标检测使用的一个常用策略是迁移学习(transfer learning)——在源域原创 2021-07-13 10:47:11 · 449 阅读 · 0 评论 -
Dual-awareness Attention for Few-Shot Object Detection
Should I Look at the Head or the Tail? Dual-awareness Attention for Few-Shot Object Detection论文链接:https://arxiv.org/pdf/2102.12152.pdfIntroduction现有的少样本目标检测存在的问题:全局池化会导致严重的空间信息损失。基于卷积的注意力对于分布变化的目标之间关系的建模不够有效,会导致空间失调(spatial misalignment)。直接将多张同原创 2021-08-25 14:35:19 · 1138 阅读 · 0 评论 -
Few-Shot Object Detection via Sample Processing
Few-Shot Object Detection via Sample Processing来源 IEEE AccessIntroduction正样本的缺失是限制少样本目标检测性能的主要原因,样本太少导致的结果是过拟合和模型泛化能力差本文从少样本目标检测的样本角度出发,对于一个样本 a 和两个类别 M、N ,如果 a 的标签为类别 M 那么对于 M 来说它是正样本,对于 N 来说他就是负样本。另外根据模型判断的难易程度,它又可以定义为难样本和易样本。结合这两种维度的定义,样本类型可以分为四个类别原创 2021-08-04 19:04:00 · 492 阅读 · 2 评论 -
FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding
FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding论文:Few-Shot Object Detection via Contrastive Proposal Encoding (CVPR2021)Introduction深度卷积网络的学习一般都需要大量的标记数据进行训练,但是对于人来说,通过几张新类别图片就可以快速学习到新类别并进行识别。两阶段的微调方法(TFA)在少样本目标检测上有着比较大的潜力,TFA只是简单地冻结原创 2021-06-09 16:57:28 · 3582 阅读 · 1 评论 -
Multi-Scale Positive Sample Refinement for Few-Shot Object Detection
Multi-Scale Positive Sample Refinement for Few-Shot Object Detection来源:https://arxiv.org/abs/2007.09384 ECCV2020简介尺度不变性在一般的有监督的目标检测器中得到广泛研究,对于少样本目标检测(FSOD)的影响特别大,在样本数量有限的情况下,尺度问题更复杂。如下图所示,样本数量少的情况下目标尺度分布会比大量样本的情况下更加发散。特征金字塔网络建立多个尺度的特征图来检测不同大小的目标,被认为原创 2021-05-22 12:38:15 · 1047 阅读 · 0 评论 -
Few-shot Object Detection via Feature Reweighting
Few-shot Object Detection via Feature Reweighting论文链接:https://arxiv.org/abs/1812.01866Introduction原创 2021-04-25 16:19:47 · 865 阅读 · 0 评论 -
Extended Feature Pyramid Network for Small Object Detection
Extended Feature Pyramid Network for Small Object Detection论文链接:https://arxiv.org/abs/2003.07021v1Introduction现有的目标检测方法对于小目标的检测效果都不是很好,小目标在图片中占据很少的像素点,在池化的过程中很容易被过滤掉。融合高层和低层的特征信息来检测小目标的特征金字塔网络虽然在一定程度上改善了小目标检测效果,但是在金字塔层级和建议区域的映射过程中,小目标和中目标以及一些大目标共享特征图,原创 2021-03-29 15:07:44 · 2350 阅读 · 0 评论 -
Learning Rich Features at High-Speed for Single-Shot Object Detection
Learning Rich Features at High-Speed for Single-Shot Object Detection论文来源:ICCV 2019论文地址:Learning Rich Features at High-Speed for Single-Shot Object Detection介绍single-stage目标检测方法的通用策略:利用一个经过ImageNet预训练的backbone完成分类任务,利用一个自上而下的特征金字塔表示形式处理尺度变化。预训练的方法会导致原创 2021-03-23 13:44:03 · 156 阅读 · 0 评论 -
MultiResolution Attention Extractor for Small Object Detection
MultiResolution Attention Extractor for Small Object Detection论文链接:https://arxiv.org/pdf/2006.05941.pdfIntroduction小目标物体在现实生活中的占比还是比较大的,例如在COCO数据集中物体尺寸占图片尺寸小于4%的物体达到了数据集的30%由于低分辨率和小尺寸,对于小目标进行检测是非常困难的,目前小目标检测的研究主要集中在数据预处理和缩小大小物体之间的差异本文基于Faster RCNN框架原创 2021-03-15 16:25:29 · 549 阅读 · 0 评论 -
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector论文地址:https://arxiv.org/abs/1908.01998简介少样本学习具有挑战性,它很容易受光照、形状、纹理等变化的影响,尽管有较多研究做了少样本分类,但是从少样本分类转化到少样本目标检测并不是简单的事。给定少量样本的进行目标检测问题的核心是在一个复杂的背景中定位一个之前未曾见过的目标,从结果来看就是一个利用几个新种类的标注样本中进行目标原创 2021-03-12 19:57:40 · 1206 阅读 · 0 评论 -
TransUNet
TransUnet: Transformers 和 Unet 的结合论文题目:TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation.论文链接:链接: https://arxiv.org/abs/2102.04306.原创 2021-02-28 09:20:12 · 17203 阅读 · 12 评论