少样本目标检测仅使用很少的标注样本对一个新类进行目标检测。少样本目标检测主要基于传统的、成熟的目标检测方法,并借鉴少样本学习框架,构建针对目标检测的少样本解决方案。而现有的少样本目标检测框架大多基于Faster R-CNN的检测器,并利用“特征重加权”进行逐类别的元学习。但这类方法存在2个缺点:

(1)基于Faster R-CNN的检测器依赖于最初位置良好的候选区域,但通常对新类的区域建议质量很差;

(2)逐类别特征重加权的模式忽视了类间的关联性,而这种关联性是目标检测知识从基类(base class)泛化至新类的重要信息来源。

为解决上述问题,南洋理工大学在读博士张功杰等人首次将Transformer引入少样本目标检测,提出了基于元学习的图像级少样本目标检测框架Meta-DETR。

Meta-DETR首先将目标定位和分类统一到一个模块中,而不需要区域预测,这样可以充分利用两个任务之间的协同关系,避免由于区域预测所带来的约束。接着,新设计了一个CAM模块,有效利用类间相关性,减少误分类,增强相似或相关类之间的泛化。

8月22日晚7点,「AI新青年讲座」第150讲邀请到新加坡南洋理工大学在读博士张功杰参与,主讲《基于元学习的图像级少样本目标检测》。

150讲

主题

基于元学习的图像级少样本目标检测

提纲

1、现有的少样本目标检测框架
2、基于Transformer的少样本目标检测框架Meta-DETR
3、利用图像级元学习绕过低质量的新类别区域建议
4、用CAM模块捕捉不同类别之间的关联和区别

讲者

张功杰,新加坡南洋理工大学在读博士,研究兴趣为机器学习与计算机视觉,尤其关注目标检测方向与多模态预训练方面的工作;已在多个顶级会议、期刊发表多篇论文。

课程信息

直播时间:8月22日19:00
直播地点:智东西公开课知识店铺