一种具有迭代原型自适应的少样本目标计数网络
计算机视觉与模式识别
2023-09-29 v2
摘要
我们考虑利用少量标注样本（少样本）或无标注样本（零样本）对图像中任意语义类别进行少样本计数。标准少样本流程从样本中提取外观查询并与图像特征匹配以推断目标数量。现有方法通过特征池化提取查询，忽略了形状信息（如尺寸与长宽比），导致目标定位精度与计数估计下降。我们提出一种具有迭代原型自适应（LOCA）的少样本目标计数网络。我们的主要贡献是新的目标原型提取模块，其迭代地将样本形状与外观信息同图像特征融合。该模块易于适配零样本场景，使 LOCA 能够覆盖少样本计数问题的整个谱系。LOCA 在 FSC147 基准上以 20-30% 的 RMSE 优势超越所有近期 SOTA 方法（单样本与少样本），并在零样本场景取得 SOTA，同时展现出更好的泛化能力。
引用
@article{arxiv.2211.08217,
title = {A Low-Shot Object Counting Network With Iterative Prototype Adaptation},
author = {Nikola Djukic and Alan Lukezic and Vitjan Zavrtanik and Matej Kristan},
journal= {arXiv preprint arXiv:2211.08217},
year = {2023}
}
备注
Accepted to ICCV2023, code: https://github.com/djukicn/loca