.png){kind=icon}
返回
Prototype distance ratio sampling for generalised few shot object detection
.png){kind=icon}
OA
AI
DOI：10.1016/j.patrec.2026.03.014.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少样本学习已成为基于极少量样本最大化DNN性能的研究主题。在广义少样本学习中，模型需要在学习新少样本类别的同时回忆先前的大规模训练类别。学习新类别会导致基础类别性能下降。在本工作中，我们识别并探讨了广义少样本目标检测（G-FSOD）与持续学习（CL）之间的平行关系，重点关注两个特定领域：梯度操纵方法和采样策略。通过广泛的实验，我们证明梯度操纵方法并不优于现有技术且无法提升性能，反而会损害性能，除非对梯度进行平均。我们对采样策略的调查考虑了多个方面：移除基础类别限制的影响以及不同距离度量（相对于类原型）对样本选择的有效性。关于这些方面的实验揭示了它们对COCO和VOC数据集上平均精度的影响。因此，我们建议G-FSOD研究应聚焦于回放方面，并探究其他采样策略。
Keyword:
Generalised few-shot learning
Continual learning
Object detection
Sampling
Benchmarks
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.3
论文数:
8.0K
被引数:
1.6W
机构
引用论文
Few-shot object detection: Research advances and challenges少镜头目标检测: 研究进展与挑战.png)
INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏 没有更多内容
没有更多内容