【ICML2020】小樣本目標檢測

2021-03-02 專知

從少數樣本中發現稀有物體是一個新出現的問題。先前的研究表明元學習工是一個很有前途的方法。但是，微調技術還沒有引起足夠的重視。我們發現，在小樣本目標檢測任務中，僅對稀有類上現有檢測器的最後一層進行微調是至關重要的。這種簡單的方法比元學習方法在當前基準上的表現高出約2 ~ 20點，有時甚至比以前的方法的準確度還要高出一倍。然而，少數樣本的高方差常常導致現有基準的不可靠性。我們通過對多組訓練樣本進行抽樣，以獲得穩定的比較，並在PASCAL VOC、COCO和LVIS三個數據集的基礎上建立新的基準。同樣，我們的微調方法在修訂基準上建立了一種新的技術狀態。代碼和預訓練的模型可以在https://github.com/ucbdrive/few-shot-object-detection找到。

專知便捷查看

便捷下載，請關注專知公眾號（點擊上方藍色專知關注）

專知，專業可信的人工智慧知識分發，讓認知協作更快更好！歡迎註冊登錄專知www.zhuanzhi.ai，獲取5000+AI主題乾貨知識資料！歡迎微信掃一掃加入專知人工智慧知識星球群，獲取最新AI專業乾貨知識教程資料和與專家交流諮詢！點擊「閱讀原文」，了解使用專知，查看獲取5000+AI主題知識資源

相關焦點

  • 近期必讀的六篇 ICML 2020【對比學習】相關論文
    代碼： https://github.com/google-research/simclr網址：https://proceedings.icml.cc/paper/2020/hash/36452e720502e4da486d2f9f6b48a7bb
  • 今日Paper | 小樣本學習;機器學習;單幅圖像去霧 ;零樣本目標檢測等
    from=leiphonecolumn_paperreview0212推薦原因這篇論文研究的是小樣本學習，也就是如何在每個類別只有幾個、甚至一個樣本的情況下學習如何分類。現有的基於指標的小樣本分類算法，都是通過一個學習到的指標函數，把要預測的樣本的特徵嵌入和給定的樣本進行對比。
  • ICML 2020 大陸論文量居前三,各獎項出爐!
    這是因為，在下一像素預測（next pixel prediction）上訓練的足夠大的 transformer 模型最終可能學會生成具有清晰可識別物體的樣本。一旦學會了生成此類樣本，那麼通過「合成分析」，iGPT 將知道目標類別。實驗表明，iGPT 模型的特徵在大量的分類數據集上實現了當前 SOTA 性能，以及在 ImageNet 數據集上實現了接近 SOTA 的無監督準確率。
  • 做目標檢測,這6篇就夠了:CVPR 2020目標檢測論文盤點
    CVPR 2020 會議上，有哪些目標檢測論文值得關注？目標檢測是計算機視覺中的經典問題之一。憑藉大量可用數據、更快的 GPU 和更好的算法，現在我們可以輕鬆訓練計算機以高精度檢測出圖像中的多個對象。前不久結束的 CVPR 2020 會議在推動目標檢測領域發展方面做出了一些貢獻，本文就為大家推薦其中 6 篇有價值的目標檢測論文。
  • 深度學習檢測小目標常用方法
    簡單粗暴又可靠的Data Augmentation深度學習的效果在某種意義上是靠大量數據餵出來的，小目標檢測的性能同樣也可以通過增加訓練集中小目標樣本的種類和數量來提升。在《深度學習中不平衡樣本的處理》[2]一文中已經介紹了許多數據增強的方案，這些方案雖然主要是解決不同類別樣本之間數量不均衡的問題的，但是有時候小目標檢測之難其中也有數據集中小樣本相對於大樣本來說數量很少的因素，所以其中很多方案都可以用在小樣本數據的增強上，這裡不贅述。
  • 基於Co-Attention和Co-Excitation的少樣本目標檢測|NeurIPS 2019
    另外，目標追蹤可以認為是少樣本目標檢測的一個特殊案例，區別在於，少樣本目標檢測的目標圖片中不一定包含查詢圖片，並且允許圖片之間存在明顯的外觀差異，只要他們有公共的特徵進行歸類即可。少樣本目標檢測的流程定義為，給予查詢圖片，為集合的一個類別對象，測試就是查找目標圖片所有對應的對象，假設每張可用的圖片包含至少一個查詢對象。
  • 在小目標檢測上另闢蹊徑的SNIP
    因為這個算法從COCO數據集開始分析，作者認為目標檢測算法的難點在於「數據集中目標的尺寸分布比較大，尤其對小目標的檢測效果不太好」，然後提出了本文的SNIP算法。2. 出發點我們首先來看一下這篇文章的出發點，簡單來說就是「數據集」。
  • 一文速覽ICML2020高引論文與華人作者
    ICML AMiner：https://www.aminer.cn/conf/icml2020ICMl2020高引用量的論文Aminer 開發的 ICML 2020 頂會系統給出了本屆會議引用量排名靠前的論文。
  • ICML進行時|一文看盡獲獎論文及Google、Facebook、微軟、騰訊的最新科研成果
    在面對強大的基於優化的攻擊之下，它可以實現對對抗樣本的魯棒性防禦。早在今年 2 月，這項研究攻破了 ICLR 2018 七篇對抗樣本防禦論文的研究，曾一度引起了深度學習社區的熱烈討論。在該論文討論的這種在線流算法可以在只有非常小的協方差誤差的情況下，從大型矩陣抽取出最能近似它的小矩陣。
  • 小樣本也能增量學習?CVPR 2020 Oral最新乾貨:小樣本類增量學習
    ，已被CVPR 2020接收為Oral展示文章。目前的類增量學習（CIL，class-incremental learning）研究往往提供了較為充足的帶標籤新類別樣本，而在諸如智能相冊等實際應用中，用戶可能只有興趣提供極少量有標籤的新類別樣本。因此研究小樣本深度類增量學習迫在眉睫。在本文中，我們著重研究這個面向實際應用但極具挑戰性的小樣本類增量連續學習（FSCIL，few-shot class-incremental learning）問題。
  • CVPR 2020 目標檢測論文精選
    字幕組雙語原文：CVPR 2020 目標檢測論文精選英語原文：CVPR 2020: The Top Object Detection Papers翻譯：雷鋒字幕組（李珺毅、沫年惜雪）一、基於在點雲上的這個網絡通過處理原始點雲，直接預測目標的3 d邊界框。對於檢測目標，HGNet能夠捕捉這些點之間的關係並且使用多層次語義。
  • 目標檢測之—FCOS介紹
    下面簡單介紹一下DenseBox (Unifying Landmark Localization with End to End Object Detection (CVPR2015))兩個貢獻:(1) FCN可以用於檢測多個不同的目標，尤其是小尺寸（人臉）和遮擋嚴重的情況。
  • ICML 2017首日公布兩大獎項:史丹福大學獲最佳論文獎
    在線性模型和卷積神經網絡中，我們展示了影響函數的多用途性：理解模型的行為、檢測模型錯誤、檢測數據集錯誤，它甚至能構建視覺上不可區分的攻擊訓練集。該模型通過解耦合 actor-critic 訓練目標完成優化，即推動模型從多種不同獎勵函數中學習普遍行為。我們在三種環境中對我們方法的有效性進行評估：離散控制環境、持續控制環境和帶有完成一系列高層次子目標才能獲取的稀疏函數的環境。
  • ILSVRC2016目標檢測任務回顧:圖像目標檢測DET
    2016年，在該比賽的圖像目標檢測任務中，國內隊伍大放異彩，包攬該任務前五名（如圖1所示）。我們將根據前五名參賽隊伍提交的摘要與公開發表的論文或技術文檔，簡析比賽中用到的圖像目標檢測方法。圖1.Faster R-CNN中將所有與Ground Truth的IOU大於0.5的窗口當做正樣本，IOU介於0.1~0.4之間的當做背景類別樣本，所以雖然正常目標類別的樣本之間有較大的相似性，但背景類別的樣本之間差異卻非常大，在這種情況下，仍然同等對待目標類別和背景類別對背景類別來說是不公平的。
  • ILSVRC2016目標檢測任務回顧:圖像目標檢測(DET)
    圖1.Faster R-CNN中將所有與Ground Truth的IOU大於0.5的窗口當做正樣本，IOU介於0.1~0.4之間的當做背景類別樣本，所以雖然正常目標類別的樣本之間有較大的相似性，但背景類別的樣本之間差異卻非常大，在這種情況下，仍然同等對待目標類別和背景類別對背景類別來說是不公平的。
  • SSD目標檢測算法精講
    同時原文設定：S m i n = 0.2 , S m a x = 0.9 S_{min}=0.2, S_{max}=0.9Smin=0.2,Smax=0.9於是，每一個用於預測的特徵層對應預選框的min_size和max_size可以算得：經過計算可知，對于越深的特徵層（尺寸越小），設置的預選框尺寸越大。這是因為，尺寸越小的特徵層，感受野越大。
  • 目標檢測:Anchor-Free時代
    自從2018年8月CornerNet開始，Anchor-Free的目標檢測模型層出不窮，最近達到了井噴的狀態，宣告著目標檢測邁入了Anchor-Free時代。，那麼該格點就負責該目標的檢測。3.不使用trick，達到了單階段檢測的最佳性能。4.經過小的修改，可以立即拓展到其他視覺任務上。和語義分割相同，檢測器直接將位置作為訓練樣本而不是anchor。具體的，如果某個位置落入了任何gt中，那麼該位置就被認為是正樣本，並且類別為該gt的類別。
  • 目標檢測論文筆記:PISA(1904.04821)
    Prime Sample Attention in Object Detection文章是商湯科技、港中文、南洋理工聯合出品，研究方向是目標檢測任務，實用性非常強的一篇文章，可以考慮在實際業務數據集上復現。
  • Label Assign:提升目標檢測上限
    驗證了好的採樣方式能夠提升目標檢測精度的上限。FreeAnchorAutoAssign另一個理解，keypoint在heatmap上分類即定位，AutoAssign學習到的正負樣本決策邊界，是為了篩選出那些更加容易定位的點，分類後定位難度小。AutoAssign在動態學習真正有效的前景。
  • Anchor Free的目標檢測方法--FCOS
    2、由於 anchor box 的尺寸和寬高比保持固定，檢測器在處理具有較大形狀變化的目標數據集時會遇到困難，特別是對於小物體。預定義的 anchor box 也妨礙了檢測器的泛化能力，因為它們需要在具有不同物體尺寸或寬高比的新檢測任務上進行重新設定。