LSTD阅读笔记

最新推荐文章于 2023-07-06 21:40:32 发布

wshaowvip

最新推荐文章于 2023-07-06 21:40:32 发布

阅读量1k

点赞数 1

分类专栏：论文阅读目标检测

本文链接：https://blog.csdn.net/wuye999/article/details/100802069

版权

本文为LSTD阅读笔记，介绍了论文提出的low-shot transfer detection框架，整合SSD和faster-RCNN，利用BD和TK正则化增强迁移学习。LSTD通过预训练的SSD回归参数初始化，减少目标域微调负担，同时关注目标物体并抑制背景。相关工作涉及弱监督、半监督和迁移学习。

摘要由CSDN通过智能技术生成

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