基于稀疏上下文 Transformer 的少样本目标检测
计算机视觉与模式识别
2024-02-15 v1
摘要
少样本检测是模式识别中的一项主要任务，旨在利用使用少量标记数据训练的模型来定位目标。主流的少样本方法之一是迁移学习，包括在源域中预训练检测模型，然后在目标域中进行微调。然而，微调后的模型难以有效识别目标域中的新类别，特别是当底层标记训练数据稀缺时。在本文中，我们设计了一种新颖的稀疏上下文 Transformer (SCT)，它有效地利用源域中的目标知识，并仅从目标域中的少量训练图像中自动学习稀疏上下文。因此，它结合了不同的相关线索，以增强所学检测器的判别能力并减少类别混淆。我们在两个具有挑战性的少样本目标检测基准上评估了所提出的方法，实证结果表明，与相关的 state-of-the-art 相比，该方法获得了具有竞争力的性能。
引用
@article{arxiv.2402.09315,
title = {Few-Shot Object Detection with Sparse Context Transformers},
author = {Jie Mei and Mingyuan Jiu and Hichem Sahbi and Xiaoheng Jiang and Mingliang Xu},
journal= {arXiv preprint arXiv:2402.09315},
year = {2024}
}