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。

成为VIP会员查看完整内容
90

相关内容

【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
[ICML2020]层次间消息传递的分子图学习
专知会员服务
33+阅读 · 2020年6月27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
81+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
元学习(Meta-Learning) 综述及五篇顶会论文推荐
Weight Poisoning Attacks on Pre-trained Models
Arxiv
5+阅读 · 2020年4月14日
Arxiv
5+阅读 · 2020年3月26日
Arxiv
26+阅读 · 2020年2月21日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
8+阅读 · 2018年4月12日
VIP会员
相关论文
Weight Poisoning Attacks on Pre-trained Models
Arxiv
5+阅读 · 2020年4月14日
Arxiv
5+阅读 · 2020年3月26日
Arxiv
26+阅读 · 2020年2月21日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
8+阅读 · 2018年4月12日
微信扫码咨询专知VIP会员