小样本目标检测(Few-Shot Object Detection)综述

最新推荐文章于 2026-03-15 01:01:24 发布
原创 最新推荐文章于 2026-03-15 01:01:24 发布 · 3.8k 阅读 · 23
标签
#目标检测 #目标跟踪 #人工智能
本文介绍了小样本目标检测(FSOD)的概念，重点关注了四种学习策略：元学习（如FastRCNN的元训练和元测试）、迁移学习、数据增强以及度量学习。作者计划通过系列文章记录研究进展，强调了在样本量少的情况下提升检测性能的方法和技术细节。

背景

  1. 前言:我的未来研究方向就是这个,所以会更新一系列的文章,就关于FSOD,如果有相同研究方向的同学欢迎沟通交流,我目前研一,希望能在研一发文,目前也有一些想法,但是具体能不能实现还要在做的过程中慢慢评估和实现.写文的主要目的还是记录,避免重复劳动,我想用尽量简洁的语言把问题的关键描述出来,这样在我需要复习的时候也能快速回忆工作

小样本目标检测 - Few-Shot Object Detection - FSOD

  1. 小样本目标检测,英文名Few-Shot Object Detection,简称FSOD,论文里面一般都这么写,只有标题会规规矩矩的写全称,其他时候一般都是简写
  2. 注意:在搜索小样本目标检测时候,往往会给到一些关于小目标目标检测的文章,这两就不是一回事,小样本目标检测的小样本不是值样本的size小,而是指样本数量少;小目标目标检测才是真正意义上的目标size小,要精准的对目标进行分类和定位,感兴趣的搜一搜,我看到一篇基于yolo做的小目标目标检测,写的挺好的.
  3. 长尾效应:小样本目标检测的来由 - 数据的分布具有长尾效应,少部分类别大量的数据,而很多类别只有少量数据,如何正确的对这些数据做目标检测就是小样本要考虑的问题.
  4. 目前研究方向:小样本目标检测,未来可能的研究方向:开放世界的目标检测、增量小样本目标检测、广义小样本目标检测 - 总结就是希望以后能实时监测动态的不断出现的新类同时保留对基类的检测能力(基类就是有大量样本的类,新类就是样本数量少的亟待预测的类)

FSOD的两种学习策略

  1. 基于任务驱动的episode策略:基于元学习的方法、基于度量学习的方法
  2. 基于数据驱动的策略
最低0.47元/天 解锁文章
创新Idea特别好水！小样本学习+目标检测
2401_88556812的博客
11-13 1875
面向少样本的目标检测任务（FSOOD）：提出了一个新的任务定义，专注于用少量标注样本预测未见类别的OBB，这对于实际应用中的快速适应新目标类别具有重要意义。图像-文本匹配训练：通过预训练的变换器基础的通用句子编码器（USE）和额外的文本编码器，提高了图像和文本匹配的准确性。跨训练和联合训练：提出了跨训练和联合训练两种训练方法，以优化模型在不同损失函数下的性能，提高了模型的稳定性和效果。面向少样本的目标检测任务（FSOOD）：提出了一个新的任务，即用有限的标注样本预测未见类别的OBB。
目标检测与小样本学习的结合：一种新的尝试，让检测更智能、更高效！
AIzhijie001的博客
12-06 1999
小样本目标检测是一个活跃的研究领域，它通过设计合理的训练方法、模型结构和损失函数，获得具有一定泛化能力的检测模型，实现复杂环境下对小样本目标的有效检测，在数据获取和标注困难的场景下具有重要的价值和意义。数据增强的应用：通过数据增强技术，模型在检测不匹配的文本-图像对时，仅使用大约3%的数据就能达到80%的准确率，相当于使用全尺寸数据训练的原始模型性能的95%。自监督模型的提出：引入了一个基于对比学习的自监督模型，该模型能够在有限的训练数据下进行有效的特征提取。
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
期待黎明的博客
03-15 1万+
2020CVPR-目标检测论文解读之FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector 数据集参考 1.摘要 传统的目标检测方法通常需要大量的训练数据，而准备这样高质量的训练数据是非常劳动密集的。本文提出了一种新的少镜头目标检测网络，该网络只需少量的标注实例，就可以检测出不可见类的目标。该方法的...
小样本（少样本）目标检测概述（few-shot object detection）
热门推荐
qq_43799400的博客
04-11 3万+
文章目录一、小样本目标检测简介二、小样本目标检测的方法2.1 基于微调的方法2.2 基于元学习的方法三、小样本目标检测现有的问题四、参考资料 一、小样本目标检测简介 小样本目标检测 FSOD（few-shot object detection)，是解决训练样本少的情况下的目标检测问题。 通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模型显得较为重要，这也是小样本学习的所需要解决的问题。 人类视觉可以通过对新事物极少的学习就可以获得永久的记
小样本目标检测简单介绍
百年孤独百年的博客
05-22 4779
在计算机视觉领域，目标检测是一项重要的任务，其目的是识别并定位图像中的特定物体。然而，在实际应用中，我们往往面临着训练样本不足的问题，这对于训练深度学习模型来说是一个巨大的挑战。小样本目标检测（Few-shot Object Detection, FSOD）应运而生，旨在解决这一问题。
【小样本目标检测实践VOC格式】Frustratingly Simple Few-Shot Object Detection
maqian5的博客
07-19 5154
小样本目标检测实践
小样本目标检测终极方案：few-shot-object-detection项目全面解析
最新发布
gitblog_00585的博客
03-15 711
few-shot-object-detection是一个专注于小样本目标检测任务的开源框架，提供了ICML 2020论文的官方实现，支持PASCAL VOC、COCO和LVIS三大主流数据集的小样本检测基准测试。该项目通过模块化设计，让开发者能够轻松添加自定义数据集和模型，为小样本目标检测研究提供了完整的实验框架。 ## 🚀 什么是小样本目标检测？ 小样本目标检测（Few-Shot Obje
遥感图像中的小样本目标检测：Few-shot Object Detection on Remote SensingImages
weixin_42390283的博客
04-11 1万+
论文下载：https://arxiv.org/pdf/2006.07826v2.pdf Abstract 在本文中，我们处理遥感图像上的目标检测问题。以前的方法已经发展了许多基于深度卷积的遥感图像目标检测方法，在检测性能和效率方面取得了显著的成就。然而，目前基于CNN的方法大多需要大量带注释的样本来训练深层神经网络，并且对看不见的对象类别的泛化能力往往有限。在本文中，我们介绍了一种基于少样本学习的遥感图像目标检测方法，该数据集中只为不可见的目标类别提供了几个带注释的样本。更具体地说，我们的模型包含三个主
小样本目标检测研究综述
数据派THU
10-10 2711
本文约4400字，建议阅读5分钟本文从小样本目标检测任务和问题、学习策略、检测方法、数据集与实验等角度出发，对当前小样本目标检测的研究成果加以梳理和总结。‍‍‍今天给大家带来一篇关于小样本目标检测的研究综述。希望这篇文章能对你有所帮助，让你在学习和应用AI技术的道路上更进一步！1 小样本目标检测概述小样本目标检测(Few-shot Object Detection, FSOD)旨在通过少量标注样...
FSOD主要代码分析
cangfengyimulian的博客
03-24 944
初学者的一点点笔记，FSOD模型代码分析，attention-rpn，多关系检测
FSOD~
whaosoft143ai的博客
01-01 764
请注意，基本类别的注释是详尽的，但对于新类别，大多数实例都没有标记，因为在少样本设置下，仅为图像数据集D提供了K个注释。为了解决“监督崩溃”的问题，我们采用了一种简单的伪标签方法来挖掘新类别的实例，有效地扩展了它们的注释集。然而，这样的训练范式限制了模型只能在有大量训练数据的封闭的小类别上表现良好。研究者工作的目标是FSOD：给定一个现有的目标检测器，该检测器已经在某些类别的大量数据（称为基本类别）上进行了训练，我们希望学习仅使用一些注释来检测新类别，例如每个类别1-30个，同时保持原始基本类别的性能。
小样本目标检测综述 --刘浩宇，王向军 --阅读笔记
wfl6666的博客
09-23 5082
目标检测；小样本学习；数据增强；增量学习；元学习
Few-Shot Object Detection: A Comprehensive Survey
weixin_46831727的博客
09-05 1412
仅使用少量已标注的实例检测新的物体。
小样本学习论文解读—FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
sinat_37145472的博客
09-03 654
《Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector》 关键词： few-shot object detection 总结： We propose a general few-shot object detection network that learns the matching metric between image pairs based on the Faster R-CNN framework eq.
探索未来视觉：FSOD——PyTorch实现的少样本目标检测框架
gitblog_00081的博客
05-27 695
探索未来视觉：FSOD——PyTorch实现的少样本目标检测框架 项目地址:https://gitcode.com/gh_mirrors/fs/FSOD-code 在这个快速发展的深度学习时代，我们常常面临一个挑战：如何让模型在仅有的少量样本上学习并识别新类别？【FSOD】（ Few-Shot Object Detection）项目正是为此而生，它是一个基于PyTorch的高效解决方案，致力于解决...
Few-Shot Object Detection目标检测
weixin_45900524的博客
05-27 2141
1.问题定义   首先明确定义问题。给定支持图像和查询图像，目标是找出查询图像中所有属于支持类别的目标；同时用紧密边框标示出来。   如果问题的支持对象，包含N个支持类别，每个类别中有K个样本，那么就是N-way K-shot 检测问题。小样本检测问题中的小样本就是指shot很少。 2.深度注意力小样本检测模型   下面进入模型的第一部分。   这张图展示了深度注意力小样本检测的整体模型，我们构建了一个权重共享网络，它的基础是Faster R-CNN网络，其中包含RPN和检测器。   在Faster R
【论文总结】Few-shot Object Detection via Feature Reweighting（附翻译）
小张好难瘦的博客
11-01 4481
论文地址：https://arxiv.org/abs/1812.01866 代码地址：https:// github.com/bingykang/Fewshot_Detection 目录 摘要 1 介绍 2 相关工作 3 方法 3.1. Feature Reweighting for Detection用于检测的特征重加权 3.2. Learning Scheme 4 实验 4.1. Experimental Setup 实验设置 4.2. Comparison with Ba...
腾讯推出超强少样本目标检测算法，公开千类少样本检测训练集FSOD | CVPR 2020
晓飞的算法工程笔记
03-05 8826
论文提出了新的少样本目标检测算法，创新点包括Attention-RPN、多关系检测器以及对比训练策略，另外还构建了包含1000类的少样本检测数据集FSOD，在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中，不需要fine-tune   来源：晓飞的算法工程笔记 公众号 论文: Few-Shot Object Detection with Attention-RPN and Multi...
评论
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
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