自监督与少样本目标检测综述
计算机视觉与模式识别
2022-08-24 v3 人工智能
机器学习
摘要
标注数据通常昂贵且耗时，尤其是对于目标检测和实例分割等需要对图像进行密集标注的任务。少样本目标检测旨在利用少量数据在 novel（未见）目标类别上训练模型，但仍需在 base（已见）类别的大量标注样本上进行先验训练。另一方面，自监督方法旨在从无标注数据中学习表征，这些表征能很好地迁移到目标检测等下游任务。结合少样本与自监督目标检测是一个有前景的研究方向。在本综述中，我们回顾并刻画了少样本与自监督目标检测的最新方法，随后给出主要结论并探讨未来研究方向。项目页面见 https://gabrielhuang.github.io/fsod-survey/
引用
@article{arxiv.2110.14711,
title = {A Survey of Self-Supervised and Few-Shot Object Detection},
author = {Gabriel Huang and Issam Laradji and David Vazquez and Simon Lacoste-Julien and Pau Rodriguez},
journal= {arXiv preprint arXiv:2110.14711},
year = {2022}
}
备注
To appear in IEEE Transactions on Pattern Analysis and Machine Intelligence. Awesome Few-Shot Object Detection (Leaderboard) at https://github.com/gabrielhuang/awesome-few-shot-object-detection