【小样本学习】（二）：Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection

最新推荐文章于 2022-11-07 11:19:33 发布
最新推荐文章于 2022-11-07 11:19:33 发布
阅读量1k 收藏
点赞数
分类专栏： 深度学习-模型压缩（蒸馏剪枝量化） 文章标签： 计算机视觉 深度学习 小样本 元学习 知识蒸馏
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。
本文链接：https://blog.csdn.net/weixin_44936889/article/details/119759717
版权
本文针对小样本目标检测的挑战，提出了Dense Relation Distillation with Context-aware Aggregation (DCNet)。通过密集关系蒸馏模块和上下文感知特征聚合，模型能有效处理外观变化和遮挡问题，改善小样本检测的性能。在CVPR 2021发表，代码已开源。
摘要由CSDN通过智能技术生成

【小样本知识蒸馏】（二）：Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection

论文地址：

这篇文章中了 CVPR 2021

https://arxiv.org/abs/2103.17115

代码地址：

https://github.com/hzhupku/DCNet

主要问题：

小样本目标检测的两个挑战是：（1）支持图像和查询图像之间的外观变化很常见，这会导致一种误导性的方式；（b）阻塞问题使得特征表示不完整，导致错误分类和缺失检测

在这里插入图片描述

而且现有的小样本学习工作大多集中于图像分类问题，只有少数人关注小样本目标检测问题，而由于对象检测不仅需要类预测，而且还需要对象的定位，这使得它比分类任务要困难得多

主要思路：

这篇文章中，为了充分利用带注释的新对象的特征并捕获

了解本专栏 订阅专栏 解锁全文 超级会员免费看
BIT可达鸭
关注
专栏目录
订阅专栏
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8358
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
《Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection》论文总结
Just_do_myself的博客
04-18 3211
一篇针对小样本目标检测的2021CVPR论文解读《Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection》，论文在faster-rcnn的基础上引入了K-Shot元学习的框架提出DCNet，并引入了通道Attention和Transformer的思想，提出Dense Relation Distillation模块和Context-aware Aggregation模块。
《Structured Knowledge Distillation for Dense Prediction》论文笔记
m_buddy的博客
06-13 1663
代码地址：structure_knowledge_distillation 1. 概述 导读：这篇文章针对的是密集预测的网络场景（如语义分割），在之前的一些工作中对于这一类网络的蒸馏时照搬分类任务中那种逐像素点的蒸馏方式（相当于是对每个像素的信息分别进行蒸馏），文章指出这样的产生的结果并不是最优的（这样策略会忽视特征图里面的结构信息，像素信息之间是存在关联的），因而这篇文章提出了适应密集预测网络的蒸馏策略：1）pair-weise蒸馏：通过构建静态图（受pair-wise的马尔可夫随机场启发，增强特征图中
Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection (2021 CVPR)
qq_37297763的博客
10-29 1550
1. 出处 2021 CVPR 北大 2. 问题 小样本目标检测在只有少量样本可用的情况下，很容易忽视新物体的细粒度的特征。 已有的方法有几个缺陷： support特征和query特征之间的关系几乎没被探索过，在support特征上进行的全局池化操作用于调制query分支，这易于损失局部细节信息。support图像和query图像之间的外观变化差异很大或者有遮挡时，会对结果产生很大误导。没有足够的对比性信息的话，模型难以学到关键特征用于分类和定位。 尺度变化问题仍然是小样本检测任务的阻碍 3. 解决方案
论文阅读《Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection》
AmbitionalH的博客
09-18 2038
Background ＆ Motivation 文中认为在此之前的 Few-shot 目标检测方法中的两类存在着不足： 采用元学习的训练策略，同时 reweight 每一类的表征。 fine-tune 的方法，用 Novel 类数据微调模型的 Head 或者采用辅助分支来 refine 模型的 RPN 和 Head。 首先，support set 和 query set 之间的关系很难完全的表征出来，很多此前的方法采用的 global pooling 的方法会导致局部细节信息的丢失，模型
Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection
bieliwuguiqi的博客
11-30 2873
Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection
【论文翻译】Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection
小张好难瘦的博客
05-25 1168
Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild 野外目标的小样本目标检测与视点估计 论文地址：https://arxiv.org/pdf/2007.12107v1.pdf 代码地址：GitHub - YoungXIAO13/FewShotDetection: (ECCV 2020) PyTorch implementation of paper "Few-Shot Object Detection
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
小样本目标检测论文翻译总结 2021 CVPR Dense Relation Distillation with Context-aware Aggregation
qq_44788084的博客
10-03 3051
年份 2017 年份 2018 年份 2019 年份 2020 年份2021
论文翻译《Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection》
薛铁钢的博客
11-07 380
传统的基于深度学习的物体检测方法需要大量的边界框注释来进行训练，获取如此高质量的标注数据代价高昂。小样本目标检测在只有少数注释实例的情况下学习适应新的类别，这是一种非常具有挑战性的方法，因为在只有少量可用数据的情况下，新对象的细粒度特征很容易被忽略。在本文中，为了充分利用带注释的新对象的特征，获取查询对象的细粒度特征，我们提出了基于上下文感知聚合的密集关系蒸馏法（DCNet）来解决小样本目标检测的问题。
Relation Distillation Networks for Video Object Detection
breeze_blows的博客
03-07 2427
ICCV2019的一篇视频目标检测的文章 论文链接：https://arxiv.org/pdf/1908.09511v1.pdf 据文中描述代码基于pytorch1.0所写，只是现在仍未开源。。。 主要贡献：设计了RDN(Relation Distillation Networks)模块，其实就是用两个stage来用support frame的proposal来逐步增强reference f...
Relational Knowledge Distillation------论文阅读笔记(CVPR2019)
落了一地秋的博客
09-03 2010
Relational Knowledge DistillationRKD (Abstract+introduction)2. Related Work3. Our Approach3.1 IKD(Individual KD)3.2 RKD（Relational knowledge distillation）3.2.1 Distance-wise distillation loss3.2.2 Angle-wise distillation loss3.2.3 Training with RKD3.2.4 Di
A Gift from Knowledge Distillation：relation蒸馏
lt1103725556的博客
01-03 1142
使用relation的蒸馏代替传统的feature map或者logits蒸馏 如何建模relation? 就是feature map的内积 比如两个residual block，输出的feature map大小相等，但channel数可能不同，比如F1：(h,w,m)，F2：(h,w,n)，输出relation：(m,n)，其实就是F1的m个channel和F2的n个channel之间的关系。 F1的m个channel分别和F2的n个channel相乘，每次会得到一个值，最后就得到了(m,n)的矩阵 如
关系抽取（relation extraction）综述
上帝是个娘们的博客
05-23 2万+
关系抽取的定义 关系抽取就是从一段文本中抽取出**（主体，关系，客体）**这样的三元组，用英文表示就是(subject, relation, object)这样的三元组。所以关系抽取，有的论文也叫作三元组抽取。从关系抽取的定义也可以看出，关系抽取主要做两件事： 识别文本中的subject和object（实体识别任务） 判断这两个实体属于哪种关系（关系分类）。 例如，给出如下的句子：刘翔，1983年7月13日出生于上海，中国男子田径队110米栏运行员。我们可以抽取出实体关系三元组实例 (刘翔，出生地，上
Dense Feature Aggregation and Pruning for RGBT Tracking
xuan971130的博客
07-29 753
**Dense Feature Aggregation and Pruning for RGBT Tracking** the 27th ACM International Conference 2019/10/15 Y Zhu，C Li，B Luo，J Tang，X Wang 对不同模态进行有效信息融合是提升RGBT跟踪性能的核心因素。本文提出一种基于端到端训练卷积网络表示的深度融合算法。为了部署所有层特征的互补性，提出了一种递归策略来密集地聚集这些特征，从而在每个模态中产生目标对象的健壮表示。
CrossKD: Cross-Head Knowledge Distillation for Dense Object Detection
最新发布
08-31
CrossKD是一种用于密集目标检测的知识蒸馏方法，它通过在目标检测的分类头上应用知识蒸馏（KD），从而实现对目标检测的位置头的定位蒸馏（LD）。该方法的目的是通过将分类头上的知识传输到定位头上，以提高密集目标检测的性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [CrossKD 原理与代码解析](https://blog.csdn.net/ooooocj/article/details/131628652)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [目标检测-定位蒸馏：logit蒸馏与feature蒸馏之争](https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/124395112)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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

BIT可达鸭

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