如何将小样本目标检测网络改写为支持长尾词的注意力RPN和多关系检测器？

本文共计3283个文字，预计阅读时间需要14分钟。

计算机视觉研究中心专刊作者：Edison_G传统的目标检测方法通常需要大量的训练数据，且这些高质量的训练数据往往是劳动密集型的（工作密集型）。今天分享中，研究者提出了少量样本的基本方法。

计算机视觉研究院专栏

作者：Edison_G

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在今天分享中，研究者提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象

1

前景概要

传统的目标检测方法通常需要大量的训练数据，并且准备这样高质量的训练数据是劳动密集型的（工作）。在今天分享中，研究者提出了少量样本的目标检测网络，目的是检测只有几个训练实例的未见过的类别对象。新提出的方法核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。

为了训练新的网络，研究者已经准备了一个新的数据集，它包含1000类具有高质量注释的不同对象。据我们所知，这也是第一个数据集专门设计用于少样本目标检测。一旦新网络被训练，研究者可以应用目标检测为未见过的类，而无需进一步的训练或微调。新提出的方法是通用的，并且具有广泛的应用范围。