LSTD阅读笔记
论文的创新点
1、提出了一个 low shot transfer detection框架,将 SSD 和 faster-RCNN 进行了整合。
2、提出了一个新的正则化的迁移学习框架,the transfer knowledge (TK) and background depression
(BD) regularizations are proposed to leverage object knowledge respectively from source and target domains, in order to further enhance fine-tuning with a few target images。通过利用源和目标域中的物体知识提出了对 transfer knowledge (TK)和background depression的抑制项。
3、效果显著state-of-the-art。
introduction
现有的一些解决办法:
1、获取额外的目标检测图像,这些图像要比较容易标注,比如一张图中只有一个目标因此只需要一个标签就可以了。通过这种方式可以是弱监督学习或者半监督学习方法。(网上有文章说弱监督:有标签没有框框.半监督:有标签,部分有框. 现在还没有看相关的文章无法确认是不是这样)。缺点:However, the performance of these detectors is often limited, because of lacking sufficient supervision on the training images.
2、使用迁移学习。缺点:1)当目标检测的样本集很