小样本目标检测论文

小样本目标检测可以分为以下几种情况：. （1）类别数确定：给定一个现有的目标检测器，该检测器已经在某些类别的大量数据（称为基本类别）上进行了训练。.

任务：少样本目标检测 创新点 据我们所知，我们是第一个探索和提出基于视觉transformer的少样本目标检测模型。针对特征骨干和检测头，提出了一种新的全交

stage1:使用丰富的基类样本在模型上训练,来学习目标检测任务。. stage2:使用少量的新类样本（小样本）对目标检测器进行 微调 。. 出现的问题：. 因为基

作者还提出细粒度原型匹配网络metaclassifier该网络具有空间特征对齐和前景注意模块去处理噪声和少量novel类之间的相似性以解决候选框特征和类原型之间的空间错位问题从而提

我们为小样本检测问题提出了一个密集关系蒸馏模块,其目标是充分利用支持信息来辅助新类别对象的检测过程。 我们提出了一个自适应上下文感知特征聚合模块,以更好地捕捉全局和局部特

这篇论文提出了一种「小样本」目标检测网络，旨在通过少量标注数据使模型有效检测到从未见过的目标。该方法的核心包括三点：Attention-RPN、Multi-Relation Detector 和 Contrastiv

简单的微调可能会忽略源域和目标域的重要目标知识降低可传递性为此文章中提出背景抑制正则化与知识迁移正则化使lstd在迁移学习过程中能够聚焦于前景目107学报自然科学版20191

本文针对当前小样本目标检测算法存在的一些问题，提出了新的解决方案。. 为了解决生成候选框阶段目标类别与非目标的其他类别难以区分的问题以及后续细分类效

为了解决这个问题，研究团队将知识蒸馏引入到小样本目标检测学习范式中。 实验发现，在知识蒸馏的过程中，作为学生模型的小样本目标检测模型不仅会学到教