机构名称：
¥ 1.0
小样本物体检测（FSOD）旨在通过少量参考样本对新类别的物体进行识别和定位，是一项颇具挑战性的任务。先前的研究通常依赖于微调过程将其模型迁移到新类别，而很少考虑微调的缺陷，从而导致了许多应用缺陷。例如，这些方法由于微调次数过多而无法在情节多变的场景中令人满意，并且它们在低质量（如低样本和类别不完整）支持集上的性能严重下降。为此，本文提出了一种即时响应小样本物体检测器（IR-FSOD），它可以在没有微调过程的情况下准确直接地检测新类别的物体。为了实现目标，我们仔细分析了 FSOD 设置下 Faster R-CNN 框架中各个模块的缺陷，然后通过改进这些缺陷将其扩展到 IR-FSOD。具体来说，我们首先为框分类器和 RPN 模块提出了两种简单但有效的元策略，以实现具有即时响应的新类别对象检测。然后，我们在定位模块中引入了两个显式推理，以减轻其对基类别的过度拟合，包括显式定位分数和半显式框回归。大量实验表明，IR-FSOD 框架不仅实现了具有即时响应的少量对象检测，而且在各种 FSOD 设置下在准确率和召回率方面也达到了最先进的性能。
通过 Meta 实现即时响应小样本物体检测器......
主要关键词
相关文件推荐
