面向少样本目标计数的互感知特征学习
计算机视觉与模式识别
2025-12-03 v2 人工智能
摘要
少样本目标计数因其实用性而受到广泛关注，其目标是在给定示例图像的情况下对查询图像中的目标物体进行计数，而无需额外训练。然而，现有的提取-匹配方法存在一个缺点：在特征提取过程中查询特征和示例特征缺乏交互，因为它们是独立提取的，之后仅基于相似性进行关联。这可能导致目标感知不足以及在多个类别物体共存时识别实际目标的混淆。为解决这一问题，我们提出了一种名为互感知特征学习（MAFEA）的新型框架，从一开始就以互感知方式编码查询和示例特征。通过鼓励整个流水线中的交互，我们获得了对多类别场景具有鲁棒性的目标感知特征。此外，我们引入了背景标记来有效关联查询的目标区域与示例，并解耦其背景区域。我们的大量实验表明，我们的模型在FSCD-LVIS和FSC-147基准上取得了最先进性能，并显著减少了目标混淆。
引用
@article{arxiv.2408.09734,
title = {Mutually-Aware Feature Learning for Few-Shot Object Counting},
author = {Yerim Jeon and Subeen Lee and Jihwan Kim and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2408.09734},
year = {2025}
}
备注
Accepted to Pattern Recognition 2025