返回
Few-Shot Object Detection: A Survey
DOI:10.1145/3519022.png)
摘要
En 中文
深度学习方法最近通过利用大量数据,提高了从自然语言处理到计算机视觉的许多领域的标准。但是,当检索到的信息不足以拟合大量参数时,它们可能会失败,从而经常导致过度拟合,因此通用性较差。少镜头学习旨在设计可以在稀缺数据体系中有效运行的模型,从而产生只需要训练很少的监督样本的学习策略。这些程序在实践和理论上都很重要,因为它们对于许多现实生活中的场景至关重要,在这些场景中,数据要么成本高昂,要么甚至无法检索。此外,它们弥合了当前数据需求模型与类似人类的泛化能力之间的距离。计算机视觉提供了各种任务,这些任务可以是少镜头固有的,例如人的重新识别。据我们所知,这项调查是第一个解决此问题的调查,其重点是少镜头对象检测,由于固有的挑战水平,与少镜头分类相比,该研究受到的关注要少得多。在这方面,本综述对当前文献中已测试过的方法进行了广泛的描述,讨论了它们的优缺点,并根据严格的分类法对它们进行了分类。
Keyword:
Deep learning for few-shot object detection
dataset for object detection
benchmarks and metrics for object detection
期刊
IF:
28
论文数:
2.4K
被引数:
3.5W
机构
引用论文
Thermal comfort, perceived air quality, and cognitive performance when personally controlled air movement is used by tropically acclimatized persons当热带适应的人使用个人控制的空气运动时,热舒适性,感知的空气质量和认知表现
Indoor Air
IF0

