【ICML2020】小样本目标检测

2020 年 6 月 2 日 专知


从少数样本中发现稀有物体是一个新出现的问题。先前的研究表明元学习工是一个很有前途的方法。但是,微调技术还没有引起足够的重视。我们发现,在小样本目标检测任务中,仅对稀有类上现有检测器的最后一层进行微调是至关重要的。这种简单的方法比元学习方法在当前基准上的表现高出约2 ~ 20点,有时甚至比以前的方法的准确度还要高出一倍。然而,少数样本的高方差常常导致现有基准的不可靠性。我们通过对多组训练样本进行抽样,以获得稳定的比较,并在PASCAL VOC、COCO和LVIS三个数据集的基础上建立新的基准。同样,我们的微调方法在修订基准上建立了一种新的技术状态。代码和预训练的模型可以在https://github.com/ucbdrive/few-shot-object-detection找到。


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“SFSOD” 可以获取《ICML2020小样本目标检测》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
7

相关内容

专知会员服务
42+阅读 · 2020年7月7日
【ICML2020-浙江大学】对抗性互信息的文本生成
专知会员服务
43+阅读 · 2020年7月4日
【ICML2020】对比多视角表示学习
专知会员服务
52+阅读 · 2020年6月28日
【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
83+阅读 · 2020年6月9日
【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
【CVPR2020】用多样性最大化克服单样本NAS中的多模型遗忘
零样本图像识别综述论文
专知
21+阅读 · 2020年4月4日
【资源】元学习论文分类列表推荐
专知
19+阅读 · 2019年12月3日
【资源】元学习相关资源汇总
专知
31+阅读 · 2019年7月10日
Few-shot Adaptive Faster R-CNN
Arxiv
3+阅读 · 2019年3月22日
Arxiv
13+阅读 · 2019年1月26日
Scale-Aware Trident Networks for Object Detection
Arxiv
4+阅读 · 2019年1月7日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
8+阅读 · 2018年4月12日
Arxiv
8+阅读 · 2018年4月8日
VIP会员
相关VIP内容
专知会员服务
42+阅读 · 2020年7月7日
【ICML2020-浙江大学】对抗性互信息的文本生成
专知会员服务
43+阅读 · 2020年7月4日
【ICML2020】对比多视角表示学习
专知会员服务
52+阅读 · 2020年6月28日
【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
83+阅读 · 2020年6月9日
【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
【CVPR2020】用多样性最大化克服单样本NAS中的多模型遗忘
相关论文
Few-shot Adaptive Faster R-CNN
Arxiv
3+阅读 · 2019年3月22日
Arxiv
13+阅读 · 2019年1月26日
Scale-Aware Trident Networks for Object Detection
Arxiv
4+阅读 · 2019年1月7日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
8+阅读 · 2018年4月12日
Arxiv
8+阅读 · 2018年4月8日
Top
微信扫码咨询专知VIP会员